Tensorflow学习：卷积神经网络CNN应用于手写数字识别（MNIST数据集分类）

Tensorflow学习：卷积神经网络CNN应用于手写数字识别（MNIST数据集分类）

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

# 载入数据集
mnist = input_data.read_data_sets("MNST_data", one_hot=True)

# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去
batch_size = 100
# 计算一共多少个批次 //:整除
n_batch = mnist.train.num_examples // batch_size


# 初始化权值
def weight_variable(shape):
    # 生成一个截断的正态分布
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)


# 初始化偏置值
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)


# 卷积层
def conv2d(x,W):
    '''conv2d:是一个二维的卷积操作，
    x:输入的tensor(数据)，数据的形状[batch(批次的大小：100),in_height（长：输入层的长），
    in_width（宽：输入层的宽）,in_channels（通道数，如果是黑白的照片就是1，如果是彩色的照片就是2）]
    W:滤波器或者说是卷积核，也是一个tensor（数据），形状[filter_height（滤波器的长）,filter_width（滤波器的宽）,
    in_channels(输入通道数),out_channels]（输出通道数）
    strides：步长，strides[0]=strides[3]=1,strides[1]:代表x方向的步长，strides[2]代表y方向的步长
    padding:same，valid'''
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


# 池化层
def max_pool_2x2(x):
    '''输入的tensor(数据)，数据的形状[batch(批次的大小：100),in_height（长：输入层的长），
    in_width（宽：输入层的宽）,in_channels（通道数，如果是黑白的照片就是1，如果是彩色的照片就是2）]
    ksize:ksize[0]=ksize[3]=1,ksize[0]:x方向的大小，ksize[2]:y方向的大小
    strides：步长，strides[0]=strides[3]=1,strides[1]:代表x方向的步长，strides[2]代表y方向的步长
    padding:same，valid
    '''
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')


# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 784])  # 28*28
y = tf.placeholder(tf.float32, [None, 10])

# 改变x(一维的)的格式，转化为4D的向量
'''[batch,in_height,in_width,in_channels]:
batch:一个批次的大小：前面设置的100，之后会赋值为100
in_height,in_width：长宽，把784复原为原来28*28的二维的
in_channels：（通道数，如果是黑白的照片就是1，如果是彩色的照片就是2）
'''
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 初始化第一个卷积层的权值和偏置值
# 5*5的采样窗口，32个卷积核从1个（通道数：1表示黑白的）平面抽取特征，输出32个特征平面
W_conv1 = weight_variable([5, 5, 1, 32])
# 每一个卷积核一个偏置值
b_conv1 = bias_variable([32])

# 把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)  # 第一个卷积层得到的结果
# 把卷积得到的结果传入池化层:进行max-pooling操作，得到第一个经过池化操作得到的结果
h_pool1 = max_pool_2x2(h_conv1)

# 初始化第二个卷积层的权值和偏置值
# 5*5的采样窗口，64个卷积核从32个平面抽取特征，输出64个特征平面
W_conv2 = weight_variable([5, 5, 32, 64])
# 每一个卷积核一个偏置值
b_conv2 = bias_variable([64])

# 把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)  # 第二个卷积层得到的结果
# 把卷积得到的结果传入池化层:进行max-pooling操作，得到第二个经过池化操作得到的结果
h_pool2 = max_pool_2x2(h_conv2)

'''28*28的图片第一次卷积后还是28*28，第一次池化后变成14*14，
第二次卷积后还是14*14，第二次池化后变成：7*7，
通过上面的卷积和池化操作后，得到64张7*7的特征图（平面）'''

# 初始化第一个全连接层的权值
# 上一层有7*7*64个神经元，全连接层有1024个神经元
W_fc1 = weight_variable([7 * 7 * 64, 1024])
# 该层有1024个神经元
b_fc1 = bias_variable([1024])

# 把池化层2的输出扁平化为1维
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
# 第一个全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

# keep_drop用来表示神经元的输出概率
keep_drop = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_drop)

# 初始化第二个全连接层:10代表10个分类标签
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

# 计算输出：softmax转化为概率得到输出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 交叉熵代价函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 使用AdamOptimizer进行优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 结果存放在一个布尔类型的列表中:argmax:返回一维张量中最大的值得位置，同时也是标签值
correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())
    # 迭代21个周期
    for step in range(21):
        # 获取每个批次的数据
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={
     x: batch_xs, y: batch_ys, keep_drop: 0.7})
        acc = sess.run(accuracy, feed_dict={
     x: mnist.test.images, y: mnist.test.labels, keep_drop: 1.0})
        print("Iter " + str(step) + ",Testing Accuracy=" + str(acc))

运行结果：