使用tensorflow卷积神经网络实现mnist手写数字识别

在实现mnist手写数字识别的时候，看了极客网上的例子，自己试着实现了一下，但是期间发现了很多问题。于是就把值得注意的地方写在注释里面了，以供后面查阅温习。

import tensorflow as tf

from  tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("E:/data/tianchi/minist/", one_hot=True)

x=tf.placeholder(tf.float32,[None,784],name=x-input)
y_=tf.placeholder(tf.float32,[None,10],name=y-input)

def weight_variable(shape):
	initial=tf.truncated_normal(shape,stddev=0.01)
	return tf.Variable(initial)

def bias_variable(shape):
	initial=tf.constant(0.1,shape=shape)
	return tf.Variable(initial)

#SAME表示输入和输出是同一尺寸 
#对于图片，因为只有两维，通常strides取[1，stride，stride，1]
def conv2d(x,w):
	return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding=SAME)

#ksize是池化窗口的大小，strides是池化过程的步长
def max_pool_2x2(x):
	return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding=SAME)

#第一层卷积 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
w_conv1=weight_variable([5,5,1,32])

#第一层卷积核的偏置项
b_conv1=bias_variable([32])

#reshape中的-1表示-1代表的含义是不用我们自己指定这一维的大小，
#函数会自动计算，但列表中只能存在一个-1,
#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
x_image=tf.reshape(x,[-1,28,28,1])

h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)


#第二层卷积层 因为第一层输出的通道数目是32 故第二层输入的通道数目也应该为32
w_conv2=weight_variable([5,5,32,64]) #这里的64是自己给定的,可以为其他的值
b_conv2=bias_variable([64])
h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)


#全连接层,假设全连接层的个数为1024，当然也可以设置成其他值
#两次池化后尺寸由28*28 -> 14*14 ->7*7
w_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
#扁平化
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)
#drop_out
keep_prob=tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

#输出层
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)

#训练和评估模型  !!!注意cross_entropy应该加负号！！
cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))
# train_step=tf.train.AdamOptimizer(0.0001).minimize(cross_entropy)
train_step= tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

correct_prediction=tf.equal(tf.argmax(y_,1),tf.argmax(y_conv,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
x-input
with tf.Session() as sess:
	tf.global_variables_initializer().run()
	for i in range(800):
		batch=mnist.train.next_batch(50)
		if i %100 == 0:
			train_accuracy=sess.run(accuracy,feed_dict={x:batch[0]
			,y_:batch[1],keep_prob:1.0})
			print("after %d steps the trainnig accuracy is %g"%(i,train_accuracy))
		sess.run(train_step,feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})	
	
    
	#http://blog..net/zsg2063/article/details/74332487是可能遇到的问题的答案 全部的testdata不能通过一次计算算出accuracy
	# print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0}))

	for i in range(10):
		testSet = mnist.test.next_batch(100)
		print("test accuracy %g"%accuracy.eval(feed_dict={ x: testSet[0], y_: testSet[1], keep_prob: 1.0}))