基于深度学习实现手写体识别项目

这里面包含整个基于神经网络深度学习 实现手写体识别项目，包括原始数据 训练数据 训练模型 测试数据等 总共是三种方式实现这是第二种和模型

# coding: utf-8

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

# 载入数据集
mnist = input_data.read_data_sets（‘MNIST_data‘ one_hot=True）

# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size


# 参数概要
def variable_summaries（var）:
    with tf.name_scope（‘summaries‘）:
        mean = tf.reduce_mean（var）
        tf.summary.scalar（‘mean‘ mean）  # 平均值
        with tf.name_scope（‘stddev‘）:
            stddev = tf.sqrt（tf.reduce_mean（tf.square（var - mean）））
        tf.summary.scalar（‘stddev‘ stddev）  # 标准差
        tf.summary.scalar（‘max‘ tf.reduce_max（var））  # 最大值
        tf.summary.scalar（‘min‘ tf.reduce_min（var））  # 最小值
        tf.summary.histogram（‘histogram‘ var）  # 直方图


# 定义初始化权值函数
def weight_variable（shape name）:
    initial = tf.truncated_normal（shape stddev=0.1）
    return tf.Variable（initial name=name）


# 定义初始化偏置函数
def bias_variable（shape name）:
    initial = tf.constant（0.1 shape=shape）
    return tf.Variable（initial name=name）


# 卷积层
def conv2d（x W）:
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）


# 池化层
def max_pool_2x2（x）:
    return tf.nn.max_pool（x ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘SAME‘）


# 输入层
# 命名空间
with tf.name_scope（‘input‘）:
    # 定义两个placeholder
    x = tf.placeholder（tf.float32 [None 784] name=‘x-input‘）
    y = tf.placeholder（tf.float32 [None 10] name=‘y-input‘）
    with tf.name_scope（‘x_image‘）:
        # 改变x的格式转为4D的向量[batch in_height in_width in_channels]‘
        x_image = tf.reshape（x [-1 28 28 1] name=‘x_image‘）

# 第一个卷积层，激活层，池化层
with tf.name_scope（‘Conv1‘）:
    # 初始化第一个卷积层的权值和偏置
    with tf.name_scope（‘W_conv1‘）:
        W_conv1 = weight_variable（[5 5 1 32] name=‘W_conv1‘）  # 5*5的采样窗口，32个卷积核从1个平面抽取特征
    with tf.name_scope（‘b_conv1‘）:
        b_conv1 = bias_variable（[32] name=‘b_conv1‘）  # 每一个卷积核一个偏置值
    # 把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
    with tf.name_scope（‘conv2d_1‘）:
        conv2d_1 = conv2d（x_image W_conv1） + b_conv1
    with tf.name_scope（‘relu‘）:
        h_conv1 = tf.nn.relu（conv2d_1）
    with tf.name_scope（‘h_pool1‘）:
        h_pool1 = max_pool_2x2（h_conv1）  # 进行max-pooling池化

# 第二个卷积层，激活层，池化层
with tf.name_scope（‘Conv2‘）:
    # 初始化第二个卷积层的权值和偏置
    with tf.name_scope（‘W_conv2‘）:
        W_conv2 = weight_variable（[5 5 32 64] name=‘W_conv2‘）  # 5*5的采样窗口，64个卷积核从32个平面抽取特征
    with tf.name_scope（‘b_conv2‘）:
        b_conv2 = bias_variable（[64] name=‘b_conv2‘）  # 每一个卷积核一个偏置值
    # 把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
    with tf.name_scope（‘conv2d_2‘）:
        conv2d_2 = conv2d（h_pool1 W_conv2） + b_conv2
    with tf.name_scope（‘relu‘）:
        h_conv2 = tf.nn.relu（conv2d_2）
    with tf.name_scope（‘h_pool2‘）:
        h_pool2 = max_pool_2x2（h_conv2）  # 进行max-pooling

# 第一个全连接层
with tf.name_scope（‘fc1‘）:
    # 初始化第一个全连接层的权值
    with tf.name_scope（‘W_fc1‘）:
        W_fc1 = wei

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-04-21 18:51  mnist2\
     目录           0  2019-04-21 18:51  mnist2\logs\
     目录           0  2019-04-21 18:51  mnist2\logs\test\
     文件      262906  2019-04-21 18:23  mnist2\logs\test\events.out.tfevents.1555841857.XPS-15
     目录           0  2019-04-21 18:51  mnist2\logs\train\
     文件      262906  2019-04-21 18:23  mnist2\logs\train\events.out.tfevents.1555841857.XPS-15
     文件        7297  2019-04-21 18:17  mnist2\mnist2.py
     目录           0  2019-04-21 18:51  mnist2\MNIST_data\
     文件     1648877  2019-04-21 18:17  mnist2\MNIST_data\t10k-images-idx3-ubyte.gz
     文件        4542  2019-04-21 18:17  mnist2\MNIST_data\t10k-labels-idx1-ubyte.gz
     文件     9912422  2019-04-21 18:17  mnist2\MNIST_data\train-images-idx3-ubyte.gz
     文件       28881  2019-04-21 18:17  mnist2\MNIST_data\train-labels-idx1-ubyte.gz