Tensorflow学习：Tensorboard可视化-卷积神经网络CNN应用于手写数字识别（MNIST数据集分类）

Tensorflow学习：Tensorboard可视化-卷积神经网络CNN应用于手写数字识别（MNIST数据集分类）

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

# 载入数据集
mnist = input_data.read_data_sets("MNST_data", one_hot=True)

# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去
batch_size = 100
# 计算一共多少个批次 //:整除
n_batch = mnist.train.num_examples // batch_size


# 定义一个函数：参数概要
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)  # 平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)  # 标准差
        tf.summary.scalar('max', tf.reduce_max(var))  # 最大值
        tf.summary.scalar('min', tf.reduce_min(var))  # 最小值
        tf.summary.histogram('histogram', var)  # 直方图


# 初始化权值
def weight_variable(shape):
    # 生成一个截断的正态分布
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)


# 初始化偏置值
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)


# 卷积层
def conv2d(x, W):
    '''conv2d:是一个二维的卷积操作，
    x:输入的tensor(数据)，数据的形状[batch(批次的大小：100),in_height（长：输入层的长），
    in_width（宽：输入层的宽）,in_channels（通道数，如果是黑白的照片就是1，如果是彩色的照片就是2）]
    W:滤波器或者说是卷积核，也是一个tensor（数据），形状[filter_height（滤波器的长）,filter_width（滤波器的宽）,
    in_channels(输入通道数),out_channels]（输出通道数）
    strides：步长，strides[0]=strides[3]=1,strides[1]:代表x方向的步长，strides[2]代表y方向的步长
    padding:same，valid'''
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


# 池化层
def max_pool_2x2(x):
    '''输入的tensor(数据)，数据的形状[batch(批次的大小：100),in_height（长：输入层的长），
    in_width（宽：输入层的宽）,in_channels（通道数，如果是黑白的照片就是1，如果是彩色的照片就是2）]
    ksize:ksize[0]=ksize[3]=1,ksize[0]:x方向的大小，ksize[2]:y方向的大小
    strides：步长，strides[0]=strides[3]=1,strides[1]:代表x方向的步长，strides[2]代表y方向的步长
    padding:same，valid
    '''
    return tf