注意：这是一个完整的项目，建议您按照完整的博客顺序阅读。
目录
二、CNN模型分析
1、输入层的数据输出
2、卷积池化层的数据输出
A、卷积操作
B、池化操作
3、扁平层的数据输出
4、全连接层的数据输出
二、CNN模型分析
在该阶段我们将使用TensorFlow搭建一个CNN模型，这个CNN模型的结构如下图：
1、输入层的数据输出
经过数据预处理部分，我们的输入数据是一个shape=(batch_size,image_length,image_width,color_channel)的四维数组（在TensorFlow中用Tensor表示这个数组，但我们这里为了理解，仍使用数组的说法，下同。）
层 |
英文术语 |
中文释义 |
输入层 |
batch_size |
批大小，每次输入的图片数量 |
image_length |
图片长宽，一般相等，用统一的image_size表示 | |
image_width | ||
color_channel |
颜色通道，彩色图片一般为RGB的3通道 |
在该CNN模型中shape=(?,64,64,3)的含义为每次训练输入的是?张64*64的的RGB的3个颜色通道的图片数据。
这里需要理解的是，这个四维数组存储的值是？*64*64个（R，G，B）的0-255的RGB值，在之后的reshape()操作中并不会改变这个整体数量，只会改变数组的维度，现在的输入的四维数组数据的存储方式如下：
2、卷积池化层的数据输出
得到输入数据后，它要经过的第一个层是一个卷积池化层（卷积层和池化层的总称）。
A、卷积操作
第一个卷积池化层中卷积操作设置为（filter_length,filter_width,in_channel,out_channel），stride=1，Padding=SAME/VALID，各个含义如下：
|
英文术语 |
中文释义 |
卷积层 |
filter_length |
卷积核（滤波器）尺寸，一般长宽相等，用filter_size表示 |
filter_width | ||
in_channel |
输入通道数，设置为上一层的输出通道数 | |
out_channel |
输出通道数，与卷积核数量相等 | |
stride |
步长，卷积核每次扫描的间隔 | |
padding |
边界扩充方式，卷积核扫描时可能会出界，取值为SAME/VALID |
该CNN模型中第一个卷积池化层中卷积操作设置为（3,3,3,32），stride=1，Padding=SAME/VALID，表示该层有32个3*3的卷积核以Stride=1为间隔、不足部分以0填充的方式来扫描输入的四维数据。输入的是?张64*64*3的图片数据,经过该层卷积最后会生成?张64*64*32个通道的特征图。
为什么是这个结果呢？
首先卷积池化操作不会改变图片张数，所以还是？张；32是因为其使用了32个卷积核来扫描，一个卷积核生成一个单通道特征图，所以输入的是3通道图片，经过有32个卷积核扫描后生成32个通道；64*64的尺寸没有改变，为什么呢？因为经过了如下计算：
当stride=1时，padding = ‘same’卷积操作后图片大小不变，padding=‘valid’情况下，new_height = new_width = (image_size– filter_size + 1) / stride （结果向上取整）
当stride!=1时，new_height = new_width = image_size/ stride（结果向上取整）。经过卷积操作后，就要进行池化操作。
B、池化操作
池化操作也是从原始数据中进行采样，这里使用的是2*2的滤波器，stride=2，Padding=SAME来进行最大池化，此时的输入数据是卷积操作的输出数据，即（？,64,64,32），经过最大池化后变为（？,32,32,32）。这里可以看到池化操作只改变了图像尺寸，没有改变输出通道，这是因为池化只是在二维数据上操作的，不改变输入的通道数，而卷积操作是在三维数据上进行的，输出通道数与自己的卷积核数量相关。那么池化后的新图像尺寸计算如下：
new_height = (input_height - filter_height)/stride+ 1
new_width = (input_width - filter_width)/stride + 1如此经过上述3次卷积池化层的处理，最后的输出为shape=(?,8,8,64)的四维数组。
3、扁平层的数据输出
卷积池化层之后是无法直接连接全连接层的，经过一个扁平层来将数据压平（Flatten），也就是把shape= (？,image_height,image_width,color_channel)的四维数据压缩成长度为 shape=(？,height × width × channel) 的二维数据，所以经过扁平层处理后，数据的shape=(?,4096)。
4、全连接层的数据输出
全连接层的输出就好确定了，有多少个神经元就有多少个输出，第1个全连接层是4096*1024，即有1024个输出，数据变为shape=(?,1024)。
第1个全连接层是1024*2，即有2个输出，数据变为shape=(?,2)。
接下来我们就要构建这个CNN模型了。
