本文共 2682 字，大约阅读时间需要 8 分钟。

# -*- coding: utf-8 -*-"""Created on Tue Jul 18 15:48:07 2017@author: bryan"""import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("F:\\learning\\tf\\mnist", one_hot=True)sess = tf.InteractiveSession()#创建权重和偏置,初始化时应加入轻微噪声，来打破对称性，防止零梯度的问题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)#卷积使用1 步长（stride size），0 边距（padding size）的模板，保证输出和输入是同一个大小。def conv2d(x, W):    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#池化用简单传统的2X2 大小的模板做max poolingdef max_pool_2x2(x):    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2,1], padding='SAME')#第一层由一个卷积接一个max pooling 完成。卷积在每个5X5 的patch 中算出32 个特征。#权重是一个[5, 5, 1, 32]的张量，前两个维度是patch 的大小，接着是输入的通道数目，最后是输出的通道数目。#输出对应一个同样大小的偏置向量。W_conv1 = weight_variable([5, 5, 1, 32])b_conv1 = bias_variable([32])#为了用这一层，我们把x变成一个4d 向量，第2、3 维对应图片的宽高，最后一维代表颜色通道。x_image = tf.reshape(x, [-1,28,28,1])#把x_image和权值向量进行卷积相乘，加上偏置，使用ReLU激活函数，最后maxpoolingh_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)h_pool1 = max_pool_2x2(h_conv1)#为了构建一个更深的网络，把几个类似的层堆叠起来。第二层中，每个5x5的patch 会得到64 个特征。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)#现在，图片降维到7x7，加入一个有1024 个神经元的全连接层，用于处理整个图片。#我们把池化层输出的张量reshape 成一些向量，乘上权重矩阵，加上偏置，使用ReLU 激活。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)#为了减少过拟合，我们在输出层之前加入dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)#最后，我们添加一个softmax 层W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)#使用交叉熵作为评估指标cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)correct_prediction = tf.equal(tf.argmax(y_conv ,1), tf.argmax(y_,1))accuracy = tf.reduce_mean(tf.cast(correct_prediction , "float"))sess.run(tf.initialize_all_variables())        for i in range(20000):    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})        print( "step%d,training accuracy%g"%(i, train_accuracy))    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob:0.5})    print( "test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))#使用CNN在mnist数据集上有99%的分类正确率

转载地址：http://llmvb.baihongyu.com/