好的，下面是使用 TensorFlow 设计一个卷积神经网络识别 MNIST 手写数字的代码。
首先，我们需要导入 TensorFlow 和 MNIST 数据集：
```python
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
```
然后，我们定义卷积神经网络的输入和输出。输入是一个 28x28 的灰度图像，输出是一个长度为 10 的向量，表示对应的数字的概率：
```python
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
```
接下来，我们定义卷积神经网络的结构。这里我们使用两个卷积层和两个池化层，然后连接两个全连接层。具体的结构如下：
- 第一个卷积层：32 个 5x5 的卷积核，步长为 1，使用 ReLU 激活函数。
- 第一个池化层：2x2 的池化核，步长为 2。
- 第二个卷积层：64 个 5x5 的卷积核，步长为 1，使用 ReLU 激活函数。
- 第二个池化层：2x2 的池化核，步长为 2。
- 第一个全连接层：1024 个神经元，使用 ReLU 激活函数。
- 第二个全连接层：10 个神经元，使用 Softmax 激活函数。
```python
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 第一个卷积层
W_conv1 = tf.Variable(tf.truncated_normal([5, 5, 1, 32], stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='SAME') + b_conv1)
# 第一个池化层
h_pool1 = tf.nn.max_pool(h_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 第二个卷积层
W_conv2 = tf.Variable(tf.truncated_normal([5, 5, 32, 64], stddev=0.1))
b_conv2 = tf.Variable(tf.constant(0.1, shape=[64]))
h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1, 1, 1, 1], padding='SAME') + b_conv2)
# 第二个池化层
h_pool2 = tf.nn.max_pool(h_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 第一个全连接层
W_fc1 = tf.Variable(tf.truncated_normal([7 * 7 * 64, 1024], stddev=0.1))
b_fc1 = tf.Variable(tf.constant(0.1, shape=[1024]))
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# 第二个全连接层
W_fc2 = tf.Variable(tf.truncated_normal([1024, 10], stddev=0.1))
b_fc2 = tf.Variable(tf.constant(0.1, shape=[10]))
y_pred = tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2)
```
接下来，我们定义损失函数和优化器。这里我们使用交叉熵作为损失函数，使用 Adam 优化器进行梯度下降：
```python
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(y_pred), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
```
最后，我们定义评估模型的方法。我们使用准确率作为评估指标：
```python
correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
```
现在，我们可以开始训练模型了。我们先初始化 TensorFlow 的会话，并进行 10000 次迭代，每迭代 100 次就输出一次模型在验证集上的准确率：
```python
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(10000):
batch = mnist.train.next_batch(50)
if i % 100 == 0:
train_accuracy = accuracy.eval(session=sess, feed_dict={x: batch[0], y: batch[1]})
print("step %d, training accuracy %g" % (i, train_accuracy))
train_step.run(session=sess, feed_dict={x: batch[0], y: batch[1]})
print("test accuracy %g" % accuracy.eval(session=sess, feed_dict={x: mnist.test.images, y: mnist.test.labels}))
```
完整的代码如下所示：
934
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
