用Tensorflow实现CNN手写数字识别

  这是自己的第一篇博客，写的不好请见谅，就是想把自己这段时间所学的相关tensorflow的相关东西做个总结，帮助自己记忆，也希望能对别人有点帮助。

  通过Tensorflow做的关于Mnist的数字识别，具体的完整流程请见极客网的流程。我只想记录一下自己的实现的CNN部分。

这一部分没什么要说的，导入Tensorflow

#coding=utf-8

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

用于对变量赋初值，为了避免0梯度问题，我们在设置偏置值时使用不为0的小常数，这里取0.1。在tensorflow中的constant用于指定常量值，0.1是常数的具体取值，shape是数据格式。当value = 1，shape=[1,2]时，[1,1]为初值结果。truncated_normal决定了产生的数据的随机模型

def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)
def bias_variable(shape):
    initial = tf.constant(0.1,shape=shape)
    # 0.1是常数的值,shape是数据格式
    return tf.Variable(initial)

  接下来是需要重点理解的部分，也是CNN的区别的地方，conv2d 和 pool。

卷积的本质是对原图片通过卷积层提取特征，我们不再需要对所有神经元关联而是仅对附近的神经元局部计算 (例如我们可以取一个5x5的块来提取)，并且参数共享，这样就极大地简化了计算。我的代码中将strides定为1，表示位移的步长为1。

  con2d有几个参数值，先说input是实际输入值