TensorFlow实战5：利用卷积神经网络对图像分类（初阶：MNIST手写数字）代码实现

本文链接：https://blog.csdn.net/chengshuhao1991/article/details/78637238

本文通过TensorFlow实现卷积神经网络（CNN）对MNIST手写数字的识别，介绍CNN在图像识别中的优势及步骤，包括数据准备、卷积、激活、池化、全连接层、损失计算和训练过程。

摘要由CSDN通过智能技术生成

之前用简单的神经网络实现过一次手写数字识别，这次会使用卷积神经网络来进行识别。

普通的神经网络（ANN)来对图像进行识别时，主要有如下缺点：
1. 参数太多
2. 没有利用像素之间的位置关系，对于图线识别任务来说，每个像素与周围的像素都是联系的很紧密的
3. 神经网络的层数受限制

但是利用卷积神经网络来解决图像识别分类问题，就可以避免上述的问题。
此篇文章中实现卷积神经网络对图像进行分类的步骤如下：
1. 准备数据
2. 卷积、激活、池化（两层）
3. 两层全连接层（第一层先特征加权，然后激活；第二层特征加权）
4. 使用softmax和交叉熵计算损失
5. 用梯度下降减少损失，计算准确率
6. 在运行会话时，进行1000次迭代，每100次打印结果

代码如下：

# 生成权重
def weight_variable(shape):
    w = tf.Variable(tf.random_normal(shape=shape, mean=0.0, stddev=1.0))
    return w


# 生成偏置
def bias_variable(shape):
    b = tf.Variable(tf.constant(0.0, shape=shape))
    return b


def model():
    """
    搭建的模型函数
    :return:模型预测值、样本真实值、特征值
    """

    # 1、准确数据的输入占位符，x,y
    with tf.variable_scope("data"):
        # 特征值
        x = tf.placeholder(tf.float32, [None, 784])

        # 标签值
        y_true = tf.placeholder(tf.int32, [None, 10])

    # 2、进行卷积层1
    with tf.variable_scope("conv_1"):
        # 准备参数ÿ