Tensorflow实现SoftMax Regression （MNIST）手写体数字识别(利用卷积提高识别准确性）

       前两篇手写体数字识别都是初学者入门的教程，第一个利用全连接识别，第二个增减隐含层，准确率较第一个有所提升。都是只利用了图像的一维特征。下面使用卷积利用图像二维的特征进行识别，准确率又有所提升。同时利用Dropout保留部分节点，达到降采样的目的，以防止过拟合。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


# 参数初始化方法v
def weight_variable(shape):
    weight = tf.truncated_normal(shape=shape, stddev=0.1)
    return tf.Variable(weight)


# 定义偏置项
def biases_variable(shape):
    biases = tf.constant(0.1,shape=shape)
    return tf.Variable(biases)


# 定义卷积核
def conv2D(x,w):
    return tf.nn.conv2d(x,filter=w,strides=[1, 1, 1, 1], padding="SAME")


# 定义最大池化
def max_pool_2X2(x):