基于tensorflow的手写体识别python源码附数据集

python语言编写，利用TensorFlow建立两层卷积神经网络，数据集为手写体识别数据集MNIST，识别准确率99%

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

mnist = input_data.read_data_sets（‘MNIST_data/‘ one_hot=True）  #读取数据
#x为训练图像占位符，y为图片标签
x = tf.placeholder（tf.float32 [None 784]）
y_label = tf.placeholder（tf.float32 [None 10]）
#将单张图片从784维向量重新还原成28*28的矩阵图片-1表示形状第一维的大小是由x自动确定的
x_image = tf.reshape（x [-1 28 28 1]）

#第一层卷积
def weight_variable（shape）:
    initial = tf.truncated_normal（shape stddev=0.1）
    return tf.Variable（initial）

def bias_variable（shape）:
    initial = tf.constant（0.1 shape=shape）
    return tf.Variable（initial）

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‘）
W_conv1 = weight_variable（[5 5 1 32]）
b_conv1 = bias_variable（[32]）
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）
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
W_fc1 = weight_variable（[7*7*64 1024]）
b_fc1 = bias_variable（[1024]）
h_pool2_flat = tf.reshape（h_pool2 [-1 7*7*64]）
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）
#使用dropoutkeep_prop是一个占位符，训练时为0.5，测试时为1
keep_prop = tf.placeholder（tf.float32）
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prop）

W_fc2 = weight_variable（[1024 10]）
b_fc2 = bias_variable（[10]）
y_conv = tf.matmul（h_fc1 W_fc2） + b_fc2

#不采用softmax计算交叉熵的方法
#采用
cross_entropy = tf.reduce_mean（
    tf.nn.softmax_cross_entropy_with_logits（labels=y_label logits=y_conv））
#定义train_step
train_step = tf.train.AdamOptimizer（1e-4）.minimize（cross_entropy）

#定义测试的准确率
correct_prediction = tf.equal（tf.argmax（y_conv 1） tf.argmax（y_label 1））
accuracy = tf.reduce_mean（tf.cast（correct_prediction tf.float32））

#创建session对变量初始化
sess = tf.InteractiveSession（）
sess.run（tf.global_variables_initializer（））

#训练2000步
for i in range（1500）:
    batch = mnist.train.next_batch（50）
    #每100步报告一次准确率
    if i%100 == 0:
        train_accuracy = accuracy.eval（feed_dict={
            x: batch[0] y_label: batch[1] keep_prop: 1.0}）
        print（‘step %d  training accuracy %.2f‘%（i train_accuracy））
    train_step.run（feed_dict={
            x: batch[0] y_label: batch[1] keep_prop: 0.2}）
#print（‘test accuracy %.3f‘%accuracy.eval（feed_dict={
#    x: mnist.test.images y_label: mnist.test.labels keep_prop: 1.0}））
print（‘test accuracy %.2f‘%accuracy.eval（feed_dict={
    x: mnist.test.images[0: 2000] y_label: mnist.test.labels[0: 2000] keep_prop: 1.0}））

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-06 21:31  TF_MNIST_CONV\
     目录           0  2019-01-24 21:11  TF_MNIST_CONV\.idea\
     文件         576  2018-11-05 12:53  TF_MNIST_CONV\.idea\TF_MNIST_CONV.iml
     目录           0  2018-10-31 19:57  TF_MNIST_CONV\.idea\libraries\
     文件         128  2018-10-31 19:57  TF_MNIST_CONV\.idea\libraries\R_User_Library.xml
     文件         185  2018-11-05 12:53  TF_MNIST_CONV\.idea\misc.xml
     文件         278  2018-10-31 19:46  TF_MNIST_CONV\.idea\modules.xml
     文件       22661  2019-01-24 21:11  TF_MNIST_CONV\.idea\workspace.xml
     目录           0  2018-11-09 20:12  TF_MNIST_CONV\MNIST_data\
     文件     1648877  2018-10-30 18:24  TF_MNIST_CONV\MNIST_data\t10k-images-idx3-ubyte.gz
     文件        4542  2018-10-30 18:24  TF_MNIST_CONV\MNIST_data\t10k-labels-idx1-ubyte.gz
     文件         165  2018-11-09 20:12  TF_MNIST_CONV\MNIST_data\tensor.py
     文件     9912422  2018-10-30 18:24  TF_MNIST_CONV\MNIST_data\train-images-idx3-ubyte.gz
     文件       28881  2018-10-30 18:24  TF_MNIST_CONV\MNIST_data\train-labels-idx1-ubyte.gz
     文件        2998  2018-11-06 21:31  TF_MNIST_CONV\conv.py