Tensorflow实例：mnist最佳实践

Tensorflow最佳实践mnist程序

在Tensorflow实例：mnist中已经给出了一个完整的Tensorflow程序来解决MNIST问题。然而这个程序的可扩展性并不好。存在的问题如下：

1. 计算前向传播的函数需要将所有变量都传入，当神经网络的结果变得更加复杂、参数更多时，程序可读性会变得非常差。大量冗余代码，降低编程的效率。变量管理给出了解决方法。

2. 当程序退出时，训练好的模型也就无法被使用了，这导致模型无法被重用。

3. 在训练的过程中需要每隔一段时间保存一次模型训练的中间结果。

最佳实践

1. 将训练和测试分成两个独立的程序，这可以使得每一个组件更加灵活。比如训练神经网络的程序可以持续输出训练好的模型，而测试程序可以每隔一段时间检验最新模型的正确率。
2. 将前向传播的过程抽象成一个单独的库函数。因为神经网络的前向传播过程在训练和测试的过程中都会用到，所以通过库函数的方式使用起来更加方便，而且保证训练和测试过程中使用的前向传播方法一定是一致的。

代码

重构之后的代码将会被拆成3个程序，
1. mnist_inference.py：定义了前向传播的过程已经神经网络中的参数。
2. mnist_train.py：定义了神经网络的训练过程
3. mnist_eval.py：定义了测试过程

mnist_inference.py

# _*_ coding: utf-8 _*_
import tensorflow as tf

# 定义神经网络结构相关的参数

INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500

# 通过tf.get_variable函数来获取变量。在训练神经网络时会创建这些变量；在测试时会通过保存的模型加载这些变量的取值。
# 而且更加方便的是，因为可以在变量加载时将滑动平均变量重命名，所以可以直接通过同样的名字在训练时使用变量自身。而在测试时
# 使用变量的滑动平均值。在这个函数中也会将变量的正则化损失加入损失集合
def get_weight_variable(shape, regularizer):
    weights = tf.get_variable("weights", shape,
                              initializer=tf.truncated_normal_initializer(stddev=0.1))
    if regularizer != None:
        tf.add_to_collection('losses', regula