tensorflow实现mnist

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 在变量的构建时，通过truncated_normal 函数初始化权重变量，shape 是一个二维的tensor,从截断的正太分布中输出随机值。
def weight_varible(shape):
    initial=tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)

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

def conv2d(x,w):
    # x 输入，是一个tensor，w 为filter，strides卷积时每一维的步长，padding 参数是string类型的值，为same，或valid，use_cudnn_on_gpu: bool类型，默认是true
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
def max_pool_2x2(x):
    # x 为池化的输入，ksize 为窗口的大小，四维向量，一般为【1，height，width，1】， 因为不在channel上做池化，stride 和卷积类型，窗口在每一维上滑动的步长，【1，stride，stride，1】
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

# tensorflow 中已经写好了加载mnist 数据集的脚本，minist是一个轻量级的类文件，存储了Numpy格式的训练集，验证集。。同时提供了数据中mini-batch迭代的功能
mnist=input_data.read_data_sets('MNIST_data/',one_hot=True)

# 输入数据参数
x=tf.placeholder(tf.float32,[None,784])
# 当某轴为-1 时，根据数组元素的个数自动计算此轴的长度
x_image=tf.reshape(x,[-1,28,28,1])
y=tf.placeholder(tf.float32,[None,10])

# 后台C++，通过session与后台连接， 在session中运行创建的图，
# 使用InteractiveSession 更方便，允许交互操作，如果不用InteractiveSession， 在启动一个回话和运行图之前，要创建整个流图
sess=tf.InteractiveSession()

# 第一个卷积层
w_conv1=weight_varible([5,5,1,32])
b_conv1=bias_varible([32])
h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)

# 第二个卷积层
w_conv2=weight_varible([5,5,32,64])
b_conv2=bias_varible([64])
h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)

#全连接层
# 经过两次pool 之后大小变为7*7
w_fc1=weight_varible([7*7*64,1024])
b_fc1=bias_varible([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)

# dropout 层
keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#output softmax

w_fc2=weight_varible([1024,10])
b_fc2=bias_varible([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2)+b_fc2)

# 定义loss 函数,和最优化函数
cross_entropy=-tf.reduce_sum(y*tf.log(y_conv))
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 定义eval
correct_prediction=tf.equal(tf.arg_max(y_conv,1),tf.arg_max(y,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))# cast 为类型转换函数，将类型转换为tf.float32

sess.run(tf.initialize_all_variables())

# 开始正式的训练
for i in range(20000):
    batch=mnist.train.next_batch(50)
    # mnist 类中提供了取batch的函数
    if i%100==0:

       # train_accuracy=accuracy.eval()
        print("step %d, training accuracy %g" %(i, sess.run(accuracy,feed_dict={x:batch[0],y:batch[1],keep_prob:1.0})))

    sess.run(train_step,feed_dict={x:batch[0],y:batch[1],keep_prob:0.5})
    #train_step.run()

print("test accuracy %g" %(accuracy.eval(feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})))

　　

sess.run(accuracy,feed_dict={x:batch[0],y:batch[1],keep_prob:1.0})

accuracy.eval(feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})

accuracy.eval 相当于 tf.get_default_session().run(t)

accuracy.eval()==sess.run(t)

而sess.run（） 可以在同一步骤获取更多的张量的值，： sess.run(accuracy, train_step)

sess.run 和eval 每次都从头执行graph， 要缓存计算结果，需要分配tf.Variable

注意注意： 我们 需要关闭回话
sess.close()
如果想不显式的调用close， 可以用with 代码块

with tf.Session() as sess:
    ...

　　如果需要存储参数：

saver=tf.train.Saver()
save_path=saver.save(sess,model_path)
load_path=saver.restore(sess,model_path)