tensorflow自主学习入门-从零开始篇（五）tensorflow手写数字识别使用CNN卷积神经网络提高识别率至99%

在之前tensorflow手写数字识别已经完成了普通神经网络实现、加入多隐藏层的神经网络以及tensorboard可视化神经网络，当时识别的准确率依然停留在96%，商用化准确率至少在99.9%，同时还应考虑模型的运行时间情况。

本次实现tensorflow手写数字识别将引入CNN卷积神经网络，大幅度提高模型的准确率，CNN卷积神经网络广泛应用于计算机可视化领域，同时现阶段还在与RNN循环神经网络进行混合，进一步提高图片会话能力，最为经典的就是图片描述模型。

本模型使用卷积神经网络跑Minist数据集，首先，在学习本模型之前，你需要非常详细的学习一下CNN卷积神经网络，这里我会贴上非常通俗易懂的解释。

---

CNN笔记：通俗理解卷积神经网络

---

我们还是将代码进行分区

1. 加载MNIST数据，导入所需模块，定义占位符
2. 自定义函数部分（主要是为了美观）
3. 卷积核构建部分（神经网络的构建）
4. 循环训练部分

---

第一 加载MNIST数据，导入所需模块，定义占位符

# -*- coding: utf-8 -*-

import tensorflow as tf 
# 加载测试数据的读写工具包，加载测试手写数据，目录MNIST_data是用来存放下载网络上的训练和测试数据的。
# 这里，参考我前面的博文，由于网络原因，测试数据，我单独下载后，放在当前目录的MNIST_data目录了。
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 创建一个交互式的Session。
sess = tf.InteractiveSession()

# 创建两个占位符，数据类型是float。x占位符的形状是[None，784]，即用来存放图像数据的变量，图像有多少张
# 是不关注的。但是图像的数据维度有784围。怎么来的，因为MNIST处理的图片都是28*28的大小，将一个二维图像
# 展平后，放入一个长度为784的数组中。
# y_占位符的形状类似x，只是维度只有10，因为输出结果是0-9的