#?coding:?utf-8

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

#?載入數(shù)據(jù)集
mnist?=?input_data.read_data_sets（‘MNIST_data‘?one_hot=True）

#?每個批次的大小
batch_size?=?100
#?計算一共有多少個批次
n_batch?=?mnist.train.num_examples?//?batch_size


#?參數(shù)概要
def?variable_summaries（var）:
????with?tf.name_scope（‘summaries‘）:
????????mean?=?tf.reduce_mean（var）
????????tf.summary.scalar（‘mean‘?mean）??#?平均值
????????with?tf.name_scope（‘stddev‘）:
????????????stddev?=?tf.sqrt（tf.reduce_mean（tf.square（var?-?mean）））
????????tf.summary.scalar（‘stddev‘?stddev）??#?標準差
????????tf.summary.scalar（‘max‘?tf.reduce_max（var））??#?最大值
????????tf.summary.scalar（‘min‘?tf.reduce_min（var））??#?最小值
????????tf.summary.histogram（‘histogram‘?var）??#?直方圖


#?定義初始化權(quán)值函數(shù)
def?weight_variable（shape?name）:
????initial?=?tf.truncated_normal（shape?stddev=0.1）
????return?tf.Variable（initial?name=name）


#?定義初始化偏置函數(shù)
def?bias_variable（shape?name）:
????initial?=?tf.constant（0.1?shape=shape）
????return?tf.Variable（initial?name=name）


#?卷積層
def?conv2d（x?W）:
????return?tf.nn.conv2d（x?W?strides=[1?1?1?1]?padding=‘SAME‘）


#?池化層
def?max_pool_2x2（x）:
????return?tf.nn.max_pool（x?ksize=[1?2?2?1]?strides=[1?2?2?1]?padding=‘SAME‘）


#?輸入層
#?命名空間
with?tf.name_scope（‘input‘）:
????#?定義兩個placeholder
????x?=?tf.placeholder（tf.float32?[None?784]?name=‘x-input‘）
????y?=?tf.placeholder（tf.float32?[None?10]?name=‘y-input‘）
????with?tf.name_scope（‘x_image‘）:
????????#?改變x的格式轉(zhuǎn)為4D的向量[batch?in_height?in_width?in_channels]‘
????????x_image?=?tf.reshape（x?[-1?28?28?1]?name=‘x_image‘）

#?第一個卷積層，激活層，池化層
with?tf.name_scope（‘Conv1‘）:
????#?初始化第一個卷積層的權(quán)值和偏置
????with?tf.name_scope（‘W_conv1‘）:
????????W_conv1?=?weight_variable（[5?5?1?32]?name=‘W_conv1‘）??#?5*5的采樣窗口，32個卷積核從1個平面抽取特征
????with?tf.name_scope（‘b_conv1‘）:
????????b_conv1?=?bias_variable（[32]?name=‘b_conv1‘）??#?每一個卷積核一個偏置值
????#?把x_image和權(quán)值向量進行卷積，再加上偏置值，然后應用于relu激活函數(shù)
????with?tf.name_scope（‘conv2d_1‘）:
????????conv2d_1?=?conv2d（x_image?W_conv1）?+?b_conv1
????with?tf.name_scope（‘relu‘）:
????????h_conv1?=?tf.nn.relu（conv2d_1）
????with?tf.name_scope（‘h_pool1‘）:
????????h_pool1?=?max_pool_2x2（h_conv1）??#?進行max-pooling池化

#?第二個卷積層，激活層，池化層
with?tf.name_scope（‘Conv2‘）:
????#?初始化第二個卷積層的權(quán)值和偏置
????with?tf.name_scope（‘W_conv2‘）:
????????W_conv2?=?weight_variable（[5?5?32?64]?name=‘W_conv2‘）??#?5*5的采樣窗口，64個卷積核從32個平面抽取特征
????with?tf.name_scope（‘b_conv2‘）:
????????b_conv2?=?bias_variable（[64]?name=‘b_conv2‘）??#?每一個卷積核一個偏置值
????#?把h_pool1和權(quán)值向量進行卷積，再加上偏置值，然后應用于relu激活函數(shù)
????with?tf.name_scope（‘conv2d_2‘）:
????????conv2d_2?=?conv2d（h_pool1?W_conv2）?+?b_conv2
????with?tf.name_scope（‘relu‘）:
????????h_conv2?=?tf.nn.relu（conv2d_2）
????with?tf.name_scope（‘h_pool2‘）:
????????h_pool2?=?max_pool_2x2（h_conv2）??#?進行max-pooling

#?第一個全連接層
with?tf.name_scope（‘fc1‘）:
????#?初始化第一個全連接層的權(quán)值
????with?tf.name_scope（‘W_fc1‘）:
????????W_fc1?=?wei

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-04-21?18:51??mnist2\
?????目錄???????????0??2019-04-21?18:51??mnist2\logs\
?????目錄???????????0??2019-04-21?18:51??mnist2\logs\test\
?????文件??????262906??2019-04-21?18:23??mnist2\logs\test\events.out.tfevents.1555841857.XPS-15
?????目錄???????????0??2019-04-21?18:51??mnist2\logs\train\
?????文件??????262906??2019-04-21?18:23??mnist2\logs\train\events.out.tfevents.1555841857.XPS-15
?????文件????????7297??2019-04-21?18:17??mnist2\mnist2.py
?????目錄???????????0??2019-04-21?18:51??mnist2\MNIST_data\
?????文件?????1648877??2019-04-21?18:17??mnist2\MNIST_data\t10k-images-idx3-ubyte.gz
?????文件????????4542??2019-04-21?18:17??mnist2\MNIST_data\t10k-labels-idx1-ubyte.gz
?????文件?????9912422??2019-04-21?18:17??mnist2\MNIST_data\train-images-idx3-ubyte.gz
?????文件???????28881??2019-04-21?18:17??mnist2\MNIST_data\train-labels-idx1-ubyte.gz