前言
鉴于国内使用卷积网络实现MNIST数据集识别的源码（基于Tensorflow实现）解析资料很少，本人对最新的代码进行学习，现将笔记心得分享。由于自身水平有限，理解不当之处请大家批评指正。本文不会对算法进行详细介绍，主要针对代码中所使用的一些函数定义与用法进行解释，并给出最终运行代码。本教程假设读者已经了解MNIST和卷积网络，若未了解，可先看这两篇我写的文章：
Tensorflow- MNIST机器学习入门
Tensorflow- CNN卷积神经网络的MNIST手写数字识别
数据集
数据集是MNIST，一个入门级的计算机视觉数据集，它包含各种手写数字图片：
每张图片包含28X28个像素点，标签即为图片中的数字。
问题
使用MNIST数据集进行训练，识别图片中的手写数字（0到9，共10类）。
思路
使用一个简单的CNN网络结构如下，括号里边表示tensor经过本层后的输出shape：
输入层（28 * 28 * 1）-->卷积层1（28 * 28 * 32）-->pooling层1（14 * 14 * 32）-->卷积层2（14 * 14 * 64）-->池化层2（7 * 7 * 64）-->全连接层（1 * 1024）-->softmax层（10）
函数说明
在给出完整代码前，先对几个的主要函数中的主要参数进行说明。也可以先运行代码，不懂的部分在看这里的函数解释。
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
随机产生一个形状为shape的服从截断正态分布（均值为mean，标准差为stddev）的tensor。截断的方法根据官方API的定义为，如果单次随机生成的值偏离均值2倍标准差之外，就丢弃并重新随机生成一个新的数。
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
-
input：一个形状为[batch, in_height, in_width, in_channels]的tensor：
- batch：每次batch数据的数量。
- in_height，in_width：输入矩阵的高和宽，如输入层的图片是28*28，则in_height和in_width就都为28。
- in_channels：输入通道数量。如输入层的图片经过了二值化，则通道为1，如果输入层的图片是RGB彩色的，则通道为3；再如卷积层1有32个通道，则pooling层1的输入（卷积层1的输出）即为32通道。
-
filterfilter：一个形状为[filter_height, filter_width, in_channels, out_channels]的tensor：
- filter_height, filter_width：卷积核的高与宽。如卷积层1中的卷积核，filter_height, filter_width都为28。
- in_channels：输入通道数量。
- out_channels：输出通道的数量。如输入数据经过卷积层1后，通道数量从1变为32。
strides：滑动窗口（卷积核）的滑动规则，包含4个维度，分别对应input的4个维度，即每次在input tensor上滑动时的步长。其中batch和in_channels维度一般都设置为1，所以形状为[1, stride, stride, 1]。
tf.nn.max_pool(value, ksize, strides, padding, data_format='NHWC', name=None)
- value：以tf.nn.conv2d()函数的参数input理解即可。
- ksize：滑动窗口（pool）的大小尺寸，这里注意这个大小尺寸并不仅仅指2维上的高和宽，ksize的每个维度同样对应input的各个维度（只是大小，不是滑动步长），同样的，batch和in_channels维度多设置为1。如pooling层1的ksize即为[1, 2, 2, 1]，即用一个2*2的窗口做pooling。
- strides：同tf.nn.conv2d()函数的参数strides。
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
- x：输入tensor。
- keep_probx：每个元素的输出概率，输出为原值或0。
代码
'''
Created on 2017年10月11日
@author: zhoucheng
'''
from tensorflow.examples.tutorials.mnist import input_data
"""自动创建一个'MNIST_data'的目录来存储数据，将下载的文件解压，图像转化为4D向量[index, y, x, depth]，
分别存储在'train', 'validation', 'test'的Dataset中。将标签one-hot编码后，就可以跟对连续型特征的
归一化方法一样，对每一维特征进行归一化
"""
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
import tensorflow as tf
#Weight Initialization
def weight_variable(shape):
'''tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标
准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生
正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。
'''
initial = tf.truncated_normal(shape = shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
'''输入图片x是一个2维的浮点数张量。这里，分配给它的shape为[None, 784]，其中784是一张展平的MNIST图片
的维度(28X28)。None表示其值大小不定，在这里作为第一个维度值， 用以指代batch的大小，意即x的数量不
定。输出类别值y_也是一个2维张量，其中每一行为一个10维的one-hot向量,用于代表对应某一MNIST图片的类别。
'''
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
#Convolution and Pooling
'''TensorFlow在卷积和池化上有很强的灵活性。我们怎么处理边界？步长应该设多大？在这个实例里，我们会一直
使用vanilla版本。我们的卷积使用1步长（stride size），0边距（padding size）的模板，通过填充“零”保
证输出和输入是同一个大小。我们的池化用简单传统的2x2大小的模板做max pooling。为了代码更简洁，我们把
这部分抽象成一个函数。
'''
def conv2d(x, W):
return tf.nn.conv2d(input = x, filter = 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')
#First Convolutional Layer
'''现在我们可以开始实现第一层了。它由一个卷积接一个max pooling完成。卷积在每个5x5的patch中算出32个特征
（32个卷积核，可以学习32种特征）。卷积的权重张量形状是[5, 5, 1, 32]，前两个维度是patch的大小，接着
是输入的通道数目，最后是输出的通道数目。 而对于每一个输出通道都有一个对应的偏置量。
'''
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
'''为了用这一层，我们把x变成一个4d向量，其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通道数(因为
是灰度图所以这里的通道数为1，如果是rgb彩色图，则为3)。将784X1的向量形式转化成28X28的矩阵形式进行卷积运算
'''
x_image = tf.reshape(x, [-1, 28, 28, 1])
'''我们把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。同理，可以
建立结构不变，输入32个通道，输出64个通道的第二层卷积层。
'''
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)#32 map:14X14
h_pool1 = max_pool_2x2(h_conv1)
#Second Convolutional Layer
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)#64 map:7X7
h_pool2 = max_pool_2x2(h_conv2)
'''现在，图片尺寸减小到7x7，我们加入一个有1024个神经元的全连接层，用于处理整个图片。我们把池化层输出的张
量reshape成向量，乘上权重矩阵，加上偏置，然后对其使用ReLU。
'''
#Densely Connected Layer
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)#matrix 1X1024
'''为了减少过拟合，我们在输出层之前加入dropout。我们用一个placeholder来代表一个神经元的输出在dropout中
保持不变的概率。这样我们可以在训练过程中启用dropout，在测试过程中关闭dropout。 TensorFlow的
tf.nn.dropout操作除了可以屏蔽神经元的输出外，还会自动处理神经元输出值的scale。所以用dropout的时候
可以不用考虑scale。
'''
#dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)#matrix 1X1024
'''最后，我们添加一个softmax层，把向量化后的图片x和权重矩阵W相乘，加上偏置b，然后计算每个分类的softmax概率值。
'''
#Readout Layer
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2#matrix 1X10
'''可以很容易的为训练过程指定最小化误差用的损失函数，我们的损失函数是目标类别和预测类别之间的交叉熵。
'''
#loss function
"""
softmax_cross_entropy_with_logits返回1X10的向量，代表每個維度预测越准确，结果的值越小（别忘了前面还有负号），
最后reduce_mean求一个平均，得到我们想要的loss
"""
cross_entropy = tf.reduce_mean( #a number
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
'''我们已经定义好模型和训练用的损失函数，那么用TensorFlow进行训练就很简单了。因为TensorFlow知道整个计算图，它
可以使用自动微分法找到对于各个变量的损失的梯度值。TensorFlow有大量内置的优化算法 这个例子中，我们用最速下降
法让交叉熵下降，步长为0.0001.这一行代码实际上是用来往计算图上添加一个新操作，其中包括计算梯度，计算每个参数
的步长变化，并且计算出新的参数值。
返 回的train_step操作对象，在运行时会使用梯度下降来更新参数。整个模型的训练可以通过反复地运行train_step来完成。
'''
#Train the Model
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
'''首先让我们找出那些预测正确的标签。tf.argmax 是一个非常有用的函数，它能给出某个tensor对象在某一维上的其数据最
大值所在的索引值。由于标签向量是由0,1组成，因此最大值1所在的索引位置就是类别标签，比如tf.argmax(y,1)返回的是
模型对于任一输入x预测到的标签值，而 tf.argmax(y_,1) 代表正确的标签，我们可以用 tf.equal 来检测我们的预测是否
真实标签匹配(索引位置一样表示匹配)。
tf.argmax(input, axis=None, name=None, dimension=None)
此函数是对矩阵按行或列计算最大值
参数
input：输入Tensor
axis：0表示按列，1表示按行
这里返回一个布尔数组。为了计算我们分类的准确率，我们通過tf.cast将布尔值转换为浮点数来代表对、错，然后取平均值。
例如：[True, False, True, True]变为[1,0,1,1]，计算出平均值为0.75。
'''
#Evaluate the Model
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))#a list of boolean
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#bool->float,然後求均值
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
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({x: batch[0], y_: batch[1], keep_prob: 0.5})
print('test accuracy %g' % accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))