实现CNN卷积神经网络

以上是模型，下面是代码：

 import tensorflow as tf
 import numpy as np
 import time
 from tensorflow.examples.tutorials.mnist import input_data

 import os
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

 start = time.clock()

 # 下载并载入MNIST 手写数字库
 mnist = input_data.read_data_sets("./data/MNIST", one_hot=True)

 input_x = tf.placeholder(tf.float32, shape=[None, 28 * 28]) / 255  # 灰度的处理
 output_y = tf.placeholder(tf.float32, shape=[None, 10])   #输出10个数字的标签
 input_x_images = tf.reshape(input_x, shape=[-1, 28, 28, 1])  #改变形状之后的输入

 # 从Test(测试）数据集里选取3000个手写数字的图片和对应的标签
 test_x = mnist.test.images[:3000]
 test_y = mnist.test.labels[:3000]

 # 构建我们的卷积神经网络
 # 第一层卷积
 conv1 = tf.layers.conv2d(inputs=input_x_images,  # 形状为[28,28,1]
                          filters=32,  # 32个过滤器，输出的深度位32
                          kernel_size=[5, 5],  # 过滤器在二维的大小是（5*5）
                          strides=1,  # 步长是1
                          padding="same",  # snme表示输出大小不变，因此要在外围补零2圈
                          activation=tf.nn.relu  # 表示激活函数是relu
                          )  # 形状[28,28,32]

 # 第一层池化（亚采样）
 pool1 = tf.layers.max_pooling2d(
     inputs=conv1,  # 形状[28,28,32]
     pool_size=[2, 2],  # 过滤器在二维的大小是[2,2]
     strides=2  # 步长是2
 )  # 形状[14,14,32]

 # 第二层卷积
 conv2 = tf.layers.conv2d(inputs=pool1,  # 形状为[14,14,32]
                          filters=64,  # 64个过滤器，输出的深度位64
                          kernel_size=[5, 5],  # 过滤器在二维的大小是（5*5）
                          strides=1,  # 步长是1
                          padding="same",  # snme表示输出大小不变，因此要在外围补零2圈
                          activation=tf.nn.relu  # 表示激活函数是relu
                          )  # 形状[14,14,64]

 # 第二层池化（亚采样）
 pool2 = tf.layers.max_pooling2d(
     inputs=conv2,  # 形状[14,14,64]
     pool_size=[2, 2],  # 过滤器在二维的大小是[2,2]
     strides=2  # 步长是2
 )  # 形状[7,7,64]

 #平坦化（flat）
 flat = tf.reshape(pool2,shape=[-1,7 * 7 * 64])  #形状[7 * 7 * 64]

 #1024个神经元的全连接层
 dense = tf.layers.dense(inputs=flat,units=1024,activation=tf.nn.relu)

 #Dropout :丢弃 50%  rate = 0.5
 dropout = tf.layers.dropout(inputs=dense,rate=0.5)

 #10个神经元的全连接层，这里不用激活函数来做非线性化了。
 logits = tf.layers.dense(inputs=dropout,units=10)  #输出形状[1,1,10]

 #计算误差（计算 Cross entropy（交叉熵）），再用softmax计算百分比概率
 loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,logits=logits)

 # Adam 优化器来最小化误差，学习率0.001
 train_op = tf.train.AdadeltaOptimizer(learning_rate=0.001).minimize(loss)

 #精度，计算，预测值 和 实际标签 的匹配程度
 #返回 (accuracy .update_op) 会创建两个局部变量
 accuracy = tf.metrics.accuracy(
     labels=tf.argmax(input=output_y,axis=1),
     predictions=tf.argmax(input=logits,axis=1)
 )[1]

 #创建会话
 with tf.Session() as sess:
     #初始化变量
     init = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
     sess.run(init)
     for i in range(20000):
         batch = mnist.train.next_batch(50) #从Train（训练）数据集里下一个50个样本
         train_loss,train_op_ = sess.run([loss,train_op],feed_dict={input_x:batch[0],output_y:batch[1]})
         if i % 100 == 0:
             test_accuracy = sess.run(accuracy,feed_dict={input_x:test_x,output_y:test_y})
             print(("Step+%d,Train loss=%.4f,[Test accuracy=%.2f]") % (i,train_loss,test_accuracy))

     #测试：打印20个 预测值 和 真实值 的对
     test_output = sess.run(logits,feed_dict={input_x:test_x[:20]})
     inference_y = np.argmax(test_output,1)
     print(inference_y," Inference number") #推测的数字
     print(np.argmax(test_y[:20],1),"Real numbers") #真实的数字

     #显示时间
     end = time.clock()
     print(end - start, "秒")

当然CNN还有很长一段路要走。代码不容易，且敲且珍惜。