Tensorflow实现卷积神经网络识别mnist数字

很久以前写的代码，冒个泡

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

def weight_variable(shape):
    initial =tf.truncated_normal(shape,stddev=0.1)
    #此处给权重加标准差为０．１的正态分布的截断噪声打破完全对称
    return tf.Variable(initial) #用variable来声明变量

def bias_variable(shape):
    initial=tf.constant(0.1,shape=shape)
    #给偏置增加噪声，防止死亡节点
    return tf.Variable(initial)

def conv2d(x,W):
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
    #此处为二维卷积函数，参数(输入，参数，步长，边界处理)
    #参数：[卷积核尺寸，卷积核尺寸，通道，卷积核数目]
    #边界处理：ＳＡＭＥ表示卷积的输入输出尺寸相同
'''第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，
    具有[batch, in_height, in_width, in_channels]这样的shape，具体
    含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道
    数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

    第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具
    有[filter_height, filter_width, in_channels, out_channels]这样的shape
    ，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，
    要求类型与参数input相同，有一个地方需要注意，第三维in_channels，
    就是参数input的第四维

    第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4

    第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值
    决定了不同的卷积方式（后面会介绍）

    第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true'''


def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    #tf.nn.max_pool(value, ksize, strides, padding, name=None)
'''    参数是四个，和卷积很类似：
    第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常
    是feature map，依然是[batch, height, width, channels]这样的shape

    第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，
    因为我们不想在batch和channels上做池化，所以这两个维度设为了1

    第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，
    一般也是[1, stride,stride, 1]

    第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'

    返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式'''

x=tf.placeholder(tf.float32,[None,784])
y_=tf.placeholder(tf.float32,[None,10])
#输入变量
x_image=tf.reshape(x,[-1,28,28,1])
#一维转图，[数量，尺寸，尺寸，通道]

W_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)#卷积１
h_pool=max_pool_2x2(h_conv1)#池化１

W_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])
h_conv2=tf.nn.relu(conv2d(h_pool,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)

#两次２x２的池化后，图像尺寸缩小为１/４，即７Ｘ７，有６４个feature map，
# 则输出tensor尺寸为７×７＊６４，

W_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([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)

#dropout

keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#softmax
W_fc2=weight_variable([1024,10]) #前一层的１０２４个隐含节点，１０类
b_fc2=bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

#交叉熵
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

#tf.global_variables_initializer().run()
sess=tf.Session()
sess.run(tf.global_variables_initializer()) 

for i in range(20000):
    batch=mnist.train.next_batch(50)
    if i%100==0:
        train_accuracy=accuracy.eval(session=sess,feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})
        print("step:%d,train accuracy %g"%(i,train_accuracy))
    train_step.run(session=sess,feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
print("test accuracy %g"%accuracy.eval(session=sess,feed_dict={x:mnist.test.images,
y_:mnist.test.labels,keep_prob:1.0}))