CNN网络识别Mnist的源码，有详细注释，非常适合新手入门

该代码是在学习深度学习的过程中，自行编写的代码，利用cnn网络来对mnist手写字符进行高精度的识别，并加入了详细的注释，非常适合作为初次接触深度学习的新手入门。欢迎下载。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 一些包括网络结构在内的超参数，全局变量
INPUT_NODE=784
OUTPUT_NODE=10
IMAGE_SIZE=28
NUM_CHANNELS=1
NUM_LABELS=10

CONV1_DEEP=32
CONV1_SIZE=5

CONV2_DEEP=64
CONV2_SIZE=5

FC_SIZE=512

BATCH_SIZE=20
LEARNING_RATE_base=0.06
LEARNING_RATE_DECAY=0.999
REGULARIZATION_RATE=0.0001
TRAINING_STEPS=20
MOVING_AVERAGE_DECAY=0.99

# 前向传播的计算过程
def inference（input_tensortrainavg_class=Noneregularizer=Nonereuse=False）:
    with tf.variable_scope（‘layer1_conv1‘reuse=reuse）:
        conv1_weights=tf.get_variable（
            ‘weight‘[CONV1_SIZECONV1_SIZENUM_CHANNELSCONV1_DEEP]
            initializer=tf.truncated_normal_initializer（stddev=0.1））
        conv1_biases=tf.get_variable（
            ‘bias‘[CONV1_DEEP]initializer=tf.constant_initializer（0.0））
        if avg_class==None:
            conv1=tf.nn.conv2d（
                input_tensorconv1_weightsstrides=[1221]padding=‘SAME‘）
            relu1=tf.nn.relu（tf.nn.bias_add（conv1conv1_biases））
        else:
            conv1=tf.nn.conv2d（
                input_tensoravg_class.average（conv1_weights）strides=[1221]padding=‘SAME‘）
            relu1=tf.nn.relu（tf.nn.bias_add（conv1avg_class.average（conv1_biases）））

    with tf.name_scope（‘layer2_pool1‘）:
        pool1=tf.nn.max_pool（
            relu1ksize=[1221]strides=[1221]padding=‘SAME‘）

    with tf.variable_scope（‘layer3_conv2‘reuse=reuse）:
        conv2_weights=tf.get_variable（
            ‘weight‘[CONV2_SIZECONV2_SIZECONV1_DEEPCONV2_DEEP]
            initializer=tf.truncated_normal_initializer（stddev=0.1））
        conv2_baises=tf.get_variable（
            ‘bias‘[CONV2_DEEP]initializer=tf.constant_initializer（0.0））
        if avg_class==None:
            conv2=tf.nn.conv2d（
                relu1conv2_weightsstrides=[1221]padding=‘SAME‘）
            relu2=tf.nn.relu（tf.nn.bias_add（conv2conv2_baises））
        else:
            conv2=tf.nn.conv2d（
               relu1avg_class.average（conv2_weights）strides=[1221]padding=‘SAME‘）
            relu2=tf.nn.relu（tf.nn.bias_add（conv2avg_class.average（conv2_baises）））

    with tf.name_scope（‘layer4-pool2‘）:
        pool2=tf.nn.max_pool（
            relu2ksize=[1221]strides=[1221]padding=‘SAME‘）
    
    pool_shape=pool2.get_shape（）.as_list（）
    nodes=pool_shape[1]*pool_shape[2]*pool_shape[3]
    reshaped=tf.reshape（pool2[-1nodes]）
    # print（type（reshaped））

    with tf.variable_scope（‘layer5_fc1‘reuse=reuse）:
        fc1_weights=tf.get_variable（
            ‘weight‘[nodesFC_SIZE]
            initializer=tf.truncated_normal_initializer（stddev=0.1））
        if regularizer!=None:
            tf.add_to_collection（‘losses‘regularizer（fc1_weights））
        fc1_biases=tf.get_variable（
            ‘bias‘[FC_SIZE]initializer=tf.constant_initializer（0.1））
        if avg_class==None:
            fc1=tf.nn.relu（tf.matmu