cnn：
进行卷积运算（首先许定义权重w和偏移b）
#cnn : 1 卷积
# ABC
# A: 激励函数+矩阵 乘法加法
# A CNN : pool（激励函数+矩阵 卷积 加法）
# C：激励函数+矩阵 乘法加法（A-》B）
# C：激励函数+矩阵 乘法加法（A-》B） + softmax（矩阵 乘法加法）
# loss：tf.reduce_mean(tf.square(y-layer2))
# loss：code
#1 import
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
# 2 load data
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
# 3 input 输入数据
imageInput = tf.placeholder(tf.float32,[None,784]) # 28*28
labeInput = tf.placeholder(tf.float32,[None,10]) # knn
# 4 data reshape 数据维度的调整
# [None,784]->M*28*28*1 2D->4D 28*28 wh 1 channel
#将2维[None,784] 调整为4维 M*28*28*1 （28*28表示图片宽高；1表示读取灰度图像，1为灰色通道；经过转换后的剩余的元素共同构成M）
imageInputReshape = tf.reshape(imageInput,[-1,28,28,1])
# 5 卷积 w0 : 卷积内核 5*5 out:32 in:1
w0 = tf.Variable(tf.truncated_normal([5,5,1,32],stddev = 0.1))#服从正态分布的数据（[最终生产数据的维度]，期望方差）卷积运算的内核大小5*5，输入维度1，可认为是上面那1个灰色通道，32表明是32维度
b0 = tf.Variable(tf.constant(0.1,shape=[32])) #定义一个常量，其维度为32
# 6 # layer1：激励函数+卷积运算 conv2d （输入输出很难保证线性，所以采用激励函数，保证非线性）
# imageInputReshape : M*28*28*1 w0: 5,5,1,32
#tf.nn.conv2d(输入图像数据，权重矩阵，每次移动的步长，'SAME'表示卷积核可以停留在图像边缘）
#relu ： 激励函数
layer1 = tf.nn.relu(tf.nn.conv2d(imageInputReshape,w0,strides=[1,1,1,1],padding='SAME')+b0)
#layer1的大小： M*28*28*32
# （考虑数据太大，添加池化层）pool是完成下采样 数据量减少很多： M*28*28*32 --> M*7*7*32 这些数表示维度（ksize=[1,4,4,1],那么：M/1=1,28/4=7,28/4=7,32/1=32）
#tf.nn.max_pool(池化数据，池化缩小程度，池化层步长，'SAME'能够停留在池化层边缘）
layer1_pool = tf.nn.max_pool(layer1,ksize=[1,4,4,1],strides=[1,4,4,1],padding='SAME')
# [1 2 3 4]->[4] （max_pool表示： 例如将4维[1 2 3 4]池化成1维，一维的数据；来源于最大值，则池化后为[4]）
#以下开始实现输出层
# 7 layer2 out : 激励函数+乘加运算： softmax（激励函数 + 乘加运算）
#softmax为回归函数，用来计算输出值
# [7*7*32,1024] tf.truncated_normal（[数据维度]，方差=0.1）
w1 = tf.Variable(tf.truncated_normal([7*7*32,1024],stddev=0.1))
b1 = tf.Variable(tf.constant(0.1,shape=[1024]))
#维度转换
h_reshape = tf.reshape(layer1_pool,[-1,7*7*32])# M*7*7*32 -> N*N1（将4维转换为2维）
# [N*7*7*32] * [7*7*32,1024] = N*1024 （进行矩阵相乘）
h1 = tf.nn.relu(tf.matmul(h_reshape,w1)+b1) #激励函数+乘加运算matmul
# 7.1 softMax tf.truncated_normal（[数据维度]，方差 = 0.1）
w2 = tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
b2 = tf.Variable(tf.constant(0.1,shape=[10]))
pred = tf.nn.softmax(tf.matmul(h1,w2)+b2)# N*1024 1024*10 = N*10
# N*10( 概率 )N1【0.1 0.2 0.4 0.1 0.2 。。。】 N表示n张图片，10表示预测在0-9分布的概率
# label。 【0 0 0 0 1 0 0 0.。。】
loss0 = labeInput*tf.log(pred)#对结果进行压缩，得到唯一的标识1，但此时任然是10维的数据，需要累加成1维
loss1 = 0
# 7.2
for m in range(0,500):# test 500，进行测试时，每次给500张，
for n in range(0,10): #将10个维度的数据进行累加
loss1 = loss1 - loss0[m,n] #这里得到的是正数，在使用梯度下降法时，要变成-号
loss = loss1/500 #除以500组数据
# 8 train 开始训练，采用梯度下降，每次下降0.01.尽可能缩小当前的loss
train = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
# 9 run
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(100):
images,labels = mnist.train.next_batch(500)
sess.run(train,feed_dict={imageInput:images,labeInput:labels})
pred_test = sess.run(pred,feed_dict={imageInput:mnist.test.images,labeInput:labels})
acc = tf.equal(tf.arg_max(pred_test,1),tf.arg_max(mnist.test.labels,1))
acc_float = tf.reduce_mean(tf.cast(acc,tf.float32))
acc_result = sess.run(acc_float,feed_dict={imageInput:mnist.test.images,labeInput:mnist.test.labels})
print(acc_result)