CNN手写数字识别（基于tensorflow）

关于卷积神经网络的原理， 网上资料比较多， 这里不做介绍。

我基于tensorflow搭建了一个含有三层卷积层（包含池化层和dropout）和2层全连接层的卷积神经网络， 使用了L2正则化和AdamOptimizer。

结构较为简单，直接看代码就可以了， 非常适合新手上路。

如果使用cpu进行模型训练（比如我）， 训练速度比较慢， 在我的电脑上大概需要20分钟左右，在测试集上进行Validation时还有可能会出现内存超出的问题， 可以把测试机分成小的batch进行验证最后计算平均值也可以直接忽略。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import os

mnist = input_data.read_data_sets(".", one_hot=True)
# 定义神经网络参数
learning_rate = 0.0055
training_epochs = 10
batch_size = 100
display_step = 1
n_input = 784
n_classes = 10
drop_out = 0.95  # drop_out需设置的比较接近1
regular_rate = 0.001


x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
keep_prob = tf.placeholder(tf.float32)


# 定义卷积层、池化层和LRN层， 但是并没有使用LRN层， 因为增加了训练时间的同时并没有带来