计算机视觉学习13：CNN实现MNIST手写数字识别

（注：本文用TensorFlow构造CNN进行手写数字识别，TensorFlow的配置参考博客：https://blog.csdn.net/ZSZ_shsf/article/details/78159883）

卷积神经网络(CNN)原理

一、概述

卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，普通神经网络里的一些计算技巧到这里依旧适用。
卷积神经网络默认输入是图像，可以让我们把特定的性质编码入网络结构，使是我们的前馈函数更加有效率，并减少了大量参数。
具有三维体积的神经元(3D volumes of neurons)
卷积神经网络利用输入是图片的特点，把神经元设计成三个维度 ： width, height, depth(注意这个depth不是神经网络的深度，而是用来描述神经元的) 。比如输入的图片大小是 32 × 32 × 3 (rgb)，那么输入神经元就也具有 32×32×3 的维度。下面是图解：

传统神经网络
卷积神经网络
一个卷积神经网络由很多层组成，它们的输入是三维的，输出也是三维的，有的层有参数，有的层不需要参数。

二、CNN的层次结构

CNN层次结构

minst数据库分析

一、介绍

该数据集包含60,000个用于培训的示例和10,000个用于测试的示例。 这些数字已经标准化，并以固定大小的图像（28x28像素）为中心，其值为0到1.为简单起见，每个图像都被展平并转换为784个特征（