使用的数据集是MNIST，下载方法见之前的博客
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets(r"D:\PycharmProjects\tensorflow\MNIST_data", one_hot=True)
sess = tf.InteractiveSession()# 后面有很多权重和偏置需要创建，所以这里定义创建权重和偏置的函数以方便重复使用
# 我们需要给权重制造噪声以打破完全对称，因为我们使用ReLU，也给偏置加一些小的正值以避免死亡节点
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)# 卷积层和池化层也是接下来重复使用的，因此也为它们定义创建函数
# x是输入，W是卷积的参数，比如[5,5,1,32],前面两个数字是卷积核的尺寸，第三个数字代表有多少个channel
# 这里我们是灰度单色，所以是1，最后一个数字代表卷积核的数量，也就是这个卷积层会提取多少个特征
# 第三个参数是步长，虽然第三个参数提供的是一个长度为4的数组，但是第一维和最后一维的数字要求一定是 1
# 最后一个参数是填充的方法，SAME但表示添加全0填充，VALID表示不添加
def conv2d(x, W):return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')# 第二个参数为过滤器的尺寸。虽然是一个长度为4的一维数组，但是这个数组的第一个和最后一个数必须为1。
# 这意味着池化层的过滤器是不可以跨不同输入样例或者节点矩阵深度的。因为x的第一维对应一个batch，第四维是channel数
# 因为希望整体上缩小尺寸，所以strides步长设为2，如果设为1，我们会得到一个尺寸不变的图片
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(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10]) # 真实标签
x_image = tf.reshape(x, [-1,28,28,1]) #将1×784转为28×28，颜色通道只有1，-1代表样本数量不确定#定义第一个卷积层，尺寸为5×5,1个颜色通道，32个卷积核
#tf.nn.bias_add提供了一个方便的函数给每一个节点加上偏置项，注意这里不能直接使用加法
#因为矩阵上不同位置上的节点都需要加上同样的偏置项
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(tf.nn.bias_add(conv2d(x_image, W_conv1), b_conv1))
h_pool1 = max_pool_2x2(h_conv1)#定义第二个卷积层
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(tf.nn.bias_add(conv2d(h_pool1, W_conv2), b_conv2))
h_pool2 = max_pool_2x2(h_conv2)#因为前面经历了两次2×2的池化层，所以边长只有1/4即图片变成7×7，因为第二个卷积层的卷积核数量为64
#所以输出tensor的尺寸为7×7×64，将其转成1D向量，再连接一个1024个隐含节点的全连接层
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)#减轻过拟合
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)#将dropout输出层的输出连接一个softmax层，得到概率输出
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)cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)#定义准确率
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))tf.global_variables_initializer().run()
for i in range(20000):batch = mnist.train.next_batch(50)if i%100 == 0: #每100次训练，对准确率进行一次评测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})print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
文件)
