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

mnist?=?input_data.read_data_sets（‘MNIST_data/‘?one_hot=True）??#讀取數據
#x為訓練圖像占位符，y為圖片標簽
x?=?tf.placeholder（tf.float32?[None?784]）
y_label?=?tf.placeholder（tf.float32?[None?10]）
#將單張圖片從784維向量重新還原成28*28的矩陣圖片-1表示形狀第一維的大小是由x自動確定的
x_image?=?tf.reshape（x?[-1?28?28?1]）

#第一層卷積
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）
#第二層卷積
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）

#全連接層
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是一個占位符，訓練時為0.5，測試時為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計算交叉熵的方法
#采用
cross_entropy?=?tf.reduce_mean（
????tf.nn.softmax_cross_entropy_with_logits（labels=y_label?logits=y_conv））
#定義train_step
train_step?=?tf.train.AdamOptimizer（1e-4）.minimize（cross_entropy）

#定義測試的準確率
correct_prediction?=?tf.equal（tf.argmax（y_conv?1）?tf.argmax（y_label?1））
accuracy?=?tf.reduce_mean（tf.cast（correct_prediction?tf.float32））

#創建session對變量初始化
sess?=?tf.InteractiveSession（）
sess.run（tf.global_variables_initializer（））

#訓練2000步
for?i?in?range（1500）:
????batch?=?mnist.train.next_batch（50）
????#每100步報告一次準確率
????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}））

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2018-11-06?21:31??TF_MNIST_CONV\
?????目錄???????????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
?????目錄???????????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
?????目錄???????????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