tensorflow操作mnist数据集源代码

包括mnist数据集文件，输入数据的python代码，深度分类mnist代码，softmax函数代码以及整合的内含详细代码解释的mnist_with_summaries代码

# Copyright 2015 Google Inc. All Rights Reserved.
#
# Licensed under the Apache License Version 2.0 （the “License“）;
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing software
# distributed under the License is distributed on an “AS IS“ BASIS
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================

“““Trains and Evaluates the MNIST network using a feed dictionary.“““
# pylint: disable=missing-docstring
from __future__ import absolute_import    #加入绝对引入这个新特性
from __future__ import division          #导入python未来支持的语言特征division（精确除法），当我们没有在程序中导入该特征时，“/“操作符执行的是截断除法（Truncating Division）当我们导入精确除法之后，“/“执行的是精确除法
from __future__ import print_function   #即使在python2.X，使用print就得像python3.X那样加括号使用

import os.path #操作路径名的常用的函数。读写文件参见open（），访问文件系统参见os模块。
import time    #时间戳，print（time.localtime（））  #这样就可以print 当地时间了

import tensorflow.python.platform
import numpy   #numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
from six.moves import xrange  # pylint: disable=redefined-builtin    在Python 2.7的代码中直接使用Python 3.x的除法？？？？？？？？？
import tensorflow as tf       #导入语句，作用是：赋予Python访问TensorFlow类（classes），方法（methods），符号（symbols）

#from tensorflow.examples.tutorials.mnist import input_data
#from tensorflow.examples.tutorials.mnist import mnist
#经常看到使用MNIST数据集的用法
import input_data mnist   

# Basic model parameters as external flags.作为外部标志的基本模型参数
#执行main函数之前首先进行flags的解析，也就是说TensorFlow通过设置flags来传递tf.app.run（）所需要的参数，
#我们可以直接在程序运行前初始化flags，也可以在运行程序的时候设置命令行参数来达到传参的目的。
flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_float（‘learning_rate‘ 0.01 ‘Initial learning rate.‘）
flags.DEFINE_integer（‘max_steps‘ 2000 ‘Number of steps to run trainer.‘）
flags.DEFINE_integer（‘hidden1‘ 128 ‘Number of units in hidden layer 1.‘）
flags.DEFINE_integer（‘hidden2‘ 32 ‘Number of units in hidden layer 2.‘）
flags.DEFINE_integer（‘batch_size‘ 100 ‘Batch size.  ‘
                     ‘Must divide evenly into the dataset sizes.‘）
flags.DEFINE_string（‘train_dir‘ ‘Mnist_data/‘ ‘Directory to put the training data.‘）
flags.DEFINE_boolean（‘fake_data‘ False ‘If true uses fake data ‘
                     ‘for unit testing.‘）



#这里的batchsize定义了placeholder一次性读入图片的数目，
#所以理论上应该是有能力不需要将所有图片全部读入内存中再进行处理的。不是特别明白
def placeholder_inputs（batch_size）:
  “““Generate placeholder variables to represent the input tensors.

  These placeholders are used as inputs by the rest of the model building
  code and will be fed from the downloaded data in the .run（） loop below.

  Args:
    batch_size: The batch size will be baked into both placeholders.

  Returns:
    images_placeholder

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-23 18:31  mnist-master\
     目录           0  2018-11-23 18:33  mnist-master\mnist-master\
     文件           1  2018-08-30 02:08  mnist-master\mnist-master\__init__.py
     目录           0  2018-11-23 18:31  mnist-master\mnist-master\__pycache__\
     文件         633  2018-10-25 16:03  mnist-master\mnist-master\__pycache__\input_data.cpython-36.pyc
     文件        2194  2018-08-30 02:08  mnist-master\mnist-master\BUILD
     文件       10220  2018-10-19 00:38  mnist-master\mnist-master\fully_connected_feed.py
     文件        1201  2018-10-16 01:10  mnist-master\mnist-master\input_data.py
     文件        5944  2018-08-30 02:08  mnist-master\mnist-master\mnist.py
     目录           0  2018-11-23 18:31  mnist-master\mnist-master\Mnist_data\
     文件        1201  2018-10-16 01:10  mnist-master\mnist-master\Mnist_data\input_data.py
     文件         558  2018-08-30 02:08  mnist-master\mnist-master\Mnist_data\ReadMe.md
     文件     1648877  2018-10-16 01:08  mnist-master\mnist-master\Mnist_data\t10k-images-idx3-ubyte.gz
     目录           0  2018-11-23 18:31  mnist-master\mnist-master\Mnist_data\t10k-images-idx3-ubyte\
     文件     7840016  1998-01-26 23:07  mnist-master\mnist-master\Mnist_data\t10k-images-idx3-ubyte\t10k-images.idx3-ubyte
     文件        4542  2018-10-16 01:08  mnist-master\mnist-master\Mnist_data\t10k-labels-idx1-ubyte.gz
     文件     9912422  2018-10-16 01:08  mnist-master\mnist-master\Mnist_data\train-images-idx3-ubyte.gz
     文件       28881  2018-10-16 01:08  mnist-master\mnist-master\Mnist_data\train-labels-idx1-ubyte.gz
     文件        2561  2018-08-30 02:08  mnist-master\mnist-master\mnist_deep.py
     目录           0  2018-11-30 22:48  mnist-master\mnist-master\mnist_logs\
     文件     1088379  2018-11-23 18:34  mnist-master\mnist-master\mnist_logs\events.out.tfevents.1542969239.DESKTOP-3592OM2
     文件     1100217  2018-11-28 19:55  mnist-master\mnist-master\mnist_logs\events.out.tfevents.1543406114.DESKTOP-3592OM2
     文件     1096603  2018-11-30 22:13  mnist-master\mnist-master\mnist_logs\events.out.tfevents.1543587178.DESKTOP-3592OM2
     文件     1102971  2018-11-30 22:48  mnist-master\mnist-master\mnist_logs\events.out.tfevents.1543589316.DESKTOP-3592OM2
     文件        1905  2018-08-30 02:08  mnist-master\mnist-master\mnist_softmax.py
     文件        7532  2018-11-23 18:33  mnist-master\mnist-master\mnist_with_summaries.py
     文件        3919  2018-08-30 02:08  mnist-master\mnist-master\README.md