CNN_tensorflow代码优化

[charon191910]

修改概述: 重构CNN_tensorflow.py，从TF1迁移至TF2 Keras API，引入残差网络和现代训练策略，将MNIST识别准确率从约99%提升至99.53%

修改的详细描述

1. API迁移 (TF1→TF2): 将tf.placeholder、tf.Session、tf.nn.dropout等TF1风格代码全部重构为TF2 Keras API（tf.keras.Model、tf.keras.layers），消除废弃API警告，代码从约250行精简至约230行，可读性和可维护性显著提升。
2. 修复原代码Bug: 原代码训练循环中使用小写变量名max_epoch和keep_prob_rate，但定义时为大写MAX_EPOCH和KEEP_PROB_RATE，运行会报NameError；优化器引用了未定义的learning_rate变量（应为LEARNING_RATE）。
3. 模型架构升级: 用预激活残差块（BN→ReLU→Conv→BN→ReLU→Conv+Shortcut）替代原始的单层卷积堆叠（7x7 Conv→5x5 Conv），网络深度从2层卷积增加到3个残差块（共7层卷积）；用全局平均池化（GlobalAveragePooling2D）替代Flatten+全连接（原代码7×7×64=3136→1024，参数量约320万），大幅减少参数量；全连接分类头从单层1024改为512+128两层，参数更高效。总参数从约340万降至约44万，模型体积从约13MB降至1.69MB。
4. 权重初始化改进: 用He正态初始化（he_normal）替代原来的截断正态分布（stddev=0.1），更适配ReLU激活函数，加速收敛。
5. 正则化策略增强: 在全部卷积层添加L2权重衰减（5e-5）；使用SpatialDropout2D（0.05）替代普通Dropout，对卷积特征图按通道丢弃更有效；添加标签平滑（0.02）防止模型过度自信。
6. 数据增强: 原代码数据增强因is_training为placeholder用Python if判断实际未生效。改进版使用Keras内置层实现训练时自动生效的轻度增强：随机旋转±9°、平移±5%、缩放±3%（不做水平翻转，避免6和9混淆）。
7. 学习率策略优化: 用5轮线性Warmup+余弦退火调度替代原来的固定学习率（1e-4），前期小学习率稳定训练，后期平滑衰减精细调优。
8. 训练流程改进: 添加EarlyStopping（patience=8）自动停止、ModelCheckpoint保存最佳模型、CSVLogger记录训练日志；新增每个数字（0-9）的单独准确率统计，便于分析薄弱环节。

经过了什么样的测试?

1. 操作系统: Windows
2. Python版本: Python 3.11.15（Anaconda虚拟环境）
3. TensorFlow版本: 2.13.0（tensorflow-intel）
4. NumPy版本: 1.24.3
5. SciPy版本: 1.10.1
6. 硬件: CPU训练（支持AVX2/AVX512/FMA指令集），每轮约190秒，30轮共约95分钟
7. 数据集: MNIST（训练集60,000张，测试集10,000张）

运行效果

• 测试集准确率: 99.53%（最佳验证准确率99.60%，出现在第27轮）
• 测试集损失: 0.1699
• 错误分类数量: 47 / 10,000
• 训练轮数: 30轮

各数字识别准确率:

数字	准确率	测试样本数	错误数
0	99.80%	980	2
1	99.82%	1135	2
2	99.81%	1032	2
3	99.80%	1010	2
4	99.19%	982	8
5	99.55%	892	4
6	98.64%	958	13
7	99.61%	1028	4
8	99.90%	974	1
9	99.11%	1009	9