MNIST CNN 手写体识别完整数据集加代码

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
#加载数据集
mnist = input_data.read_data_sets（‘MNIST_data‘ one_hot=True）

#以交互式方式启动session
#如果不使用交互式session，则在启动session前必须
# 构建整个计算图，才能启动该计算图
sess = tf.InteractiveSession（）

“““构建计算图“““
#通过占位符来为输入图像和目标输出类别创建节点
#shape参数是可选的，有了它tensorflow可以自动捕获维度不一致导致的错误
x = tf.placeholder（“float“ shape=[None 784]） #原始输入
y_ = tf.placeholder（“float“ shape=[None 10]） #目标值

#为了不在建立模型的时候反复做初始化操作，
# 我们定义两个函数用于初始化
def weight_variable（shape）:
    #截尾正态分布stddev是正态分布的标准偏差
    initial = tf.truncated_normal（shape=shape stddev=0.1）
    return tf.Variable（initial）
def bias_variable（shape）:
    initial = tf.constant（0.1 shape=shape）
    return tf.Variable（initial）

#卷积核池化步长为10边距
def conv2d（x W）:
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）
def max_pool_2x2（x）:
    return tf.nn.max_pool（x ksize=[1 2 2 1]
                          strides=[1 2 2 1] padding=‘SAME‘）

“““第一层卷积“““
#由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征，是因为使用32个滤波器进行卷积
#卷积的权重张量形状是[5 5 1 32]1是输入通道的个数，32是输出通道个数
W_conv1 = weight_variable（[5 5 1 32]）
#每一个输出通道都有一个偏置量
b_conv1 = bias_variable（[32]）

#位了使用卷积，必须将输入转换成4维向量，2、3维表示图片的宽、高
#最后一维表示图片的颜色通道（因为是灰度图像所以通道数维1，RGB图像通道数为3）
x_image = tf.reshape（x [-1 28 28 1]）

#第一层的卷积结果使用Relu作为激活函数
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1））
#第一层卷积后的池化结果
h_pool1 = max_pool_2x2（h_conv1）

“““第二层卷积“““
W_conv2 = weight_variable（[5 5 32 64]）
b_conv2 = bias_variable（[64]）
h_conv2 = tf.nn.relu（conv2d（h_pool1 W_conv2） + b_conv2）
h_pool2 = max_pool_2x2（h_conv2）

“““全连接层“““
#图片尺寸减小到7*7，加入一个有1024个神经元的全连接层
W_fc1 = weight_variable（[7*7*64 1024]）
b_fc1 = bias_variable（[1024]）
#将最后的池化层输出张量reshape成一维向量
h_pool2_flat = tf.reshape（h_pool2 [-1 7*7*64]）
#全连接层的输出
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）

“““使用Dropout减少过拟合“““
#使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率
#在训练的过程中启用dropout，在测试过程中关闭dropout
keep_prob = tf.placeholder（“float“）
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prob）

“““输出层“““
W_fc2 = weight_variable（[1024 10]）
b_fc2 = bias_variable（[10]）
#模型预测输出
y_conv = tf.nn.softmax（tf.matmul（h_fc1_drop W_fc2） + b_fc2）

#交叉熵损失
cross_entropy = -tf.reduce_sum（y_ * tf.log（y_conv））

#模型训练使用AdamOptimizer来做梯度最速下降
train_step = tf.train.AdamOptimizer（1e-4）.minimize（cross_entropy）

#正确预测得到True或False的List
correct_prediction = tf.equal（tf.argmax（y_ 1） tf.argmax（y_conv 1））
#将布尔值转化成浮点数，取平均值作为精确度
accuracy = tf.reduce_mean（tf.cast（correct_prediction “float“））

#在session中先初始化变量才能在session中调用
sess.run（tf.initialize_all_variables（））

#迭代优化模型
for i in range（20000）:
    #每次取50个样本进行训练
    batch = mnist.train.next_batch（50）
    if i%100 == 0:
        train_accuracy = accuracy.eval（feed_dict={
            x: batch[0] y_:batch[1] keep_prob:1.0}） #模型中间不使用dropout
        print（“step %d training accuracy %g“ % （i train_accuracy））
    train_step.run（feed_dict={x:batch[0] y_:batch[1]