import?tensorflow?as?tf
?
#?Import?MINST?data
from?tensorflow.examples.tutorials.mnist?import?input_data
mnist?=?input_data.read_data_sets（r‘/Users/apple/Desktop/Python_study/MNIST/mnist_data/‘?one_hot=True）
#加載數據集并保存在指定路徑中

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‘）

x?=?tf.placeholder（“float“?[None?784]）?#占位符，運行計算時接收輸入值，None表示維度不定
y_?=?tf.placeholder（“float“?[None10]）???#占位符，用來輸入正確值
#第一層
W_conv1?=?weight_variable（[5?5?1?32]）
b_conv1?=?bias_variable（[32]）
x_image?=?tf.reshape（x?[-128281]）
h_conv1?=?tf.nn.relu（conv2d（x_image?W_conv1）?+?b_conv1）
h_pool1?=?max_pool_2x2（h_conv1）
#第二層
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）
#dropout
keep_prob?=?tf.placeholder（“float“）
h_fc1_drop?=?tf.nn.dropout（h_fc1?keep_prob）
#輸出層
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）

#訓練
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_conv1）?tf.argmax（y_1））
accuracy?=?tf.reduce_mean（tf.cast（correct_prediction?“float“））

with?tf.Session（）?as?sess:

?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}）

?#測試
?print（“test?accuracy?%g“%accuracy.eval（feed_dict={
????x:?mnist.test.images?y_:?mnist.test.labels?keep_prob:?1.0}））

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件???????????0??2019-04-09?19:01??MNIST_鍚敞閲?
?????目錄???????????0??2019-04-09?19:02??MNIST_鍚敞閲?mnist_data\
?????文件????????6148??2019-02-19?18:28??MNIST_鍚敞閲?mnist_data\.DS_Store
?????目錄???????????0??2019-04-09?19:02??__MACOSX\
?????文件???????????0??2019-04-09?19:02??__MACOSX\MNIST_鍚敞閲?
?????目錄???????????0??2019-04-09?19:02??__MACOSX\MNIST_鍚敞閲?mnist_data\
?????文件?????????120??2019-02-19?18:28??__MACOSX\MNIST_鍚敞閲?mnist_data\._.DS_Store
?????文件?????1648877??2019-02-19?16:14??MNIST_鍚敞閲?mnist_data\t10k-images-idx3-ubyte.gz
?????文件?????????534??2019-02-19?16:14??__MACOSX\MNIST_鍚敞閲?mnist_data\._t10k-images-idx3-ubyte.gz
?????文件?????9912422??2019-02-19?16:14??MNIST_鍚敞閲?mnist_data\train-images-idx3-ubyte.gz
?????文件?????????535??2019-02-19?16:14??__MACOSX\MNIST_鍚敞閲?mnist_data\._train-images-idx3-ubyte.gz
?????文件???????28881??2019-02-19?16:14??MNIST_鍚敞閲?mnist_data\train-labels-idx1-ubyte.gz
?????文件?????????535??2019-02-19?16:14??__MACOSX\MNIST_鍚敞閲?mnist_data\._train-labels-idx1-ubyte.gz
?????文件????????4542??2019-02-19?16:14??MNIST_鍚敞閲?mnist_data\t10k-labels-idx1-ubyte.gz
?????文件?????????534??2019-02-19?16:14??__MACOSX\MNIST_鍚敞閲?mnist_data\._t10k-labels-idx1-ubyte.gz
?????文件????????6148??2019-04-09?19:00??MNIST_鍚敞閲?.DS_Store
?????文件?????????120??2019-04-09?19:00??__MACOSX\MNIST_鍚敞閲?._.DS_Store
?????文件????????2436??2019-02-21?17:55??MNIST_鍚敞閲?test_con.py
?????文件?????????266??2019-02-21?17:55??__MACOSX\MNIST_鍚敞閲?._test_con.py
?????目錄???????????0??2019-02-19?16:46??MNIST_鍚敞閲?.vscode\
?????文件??????????83??2019-02-19?16:46??MNIST_鍚敞閲?.vscode\settings.json