使用前面介紹的技術，實踐一個神經網絡模型。將訓練和測試分成兩個獨立的程序，訓練網絡的程序可以持續輸出訓練好的模型，測試程序可以每隔一段時間檢驗最新模型的正確率。

# -*- coding:utf-8 -*-
import tensorflow as tf

# 定義神經網絡結構相關的參數
INPUT_NODE=784
OUTPUT_NODE=10
LAYER1_NODE=500

# 通過tf.get_variable函數來獲取變量。在訓練神經網絡時會創建這些變量；在測試時會通過
# 保存的模型加載這些變量的取值。而且更加靈活的是，因為可以在變量加載時將滑動平均變量
# 重命名，所以可以直接通過同樣的名字在訓練時使用變量自身，而在測試時使用變量的滑動
 

# 平均值。在這個函數中也會將變量的正則化損失加入損失集合。
def get_weight_variable(shape,regularizer):
    weights=tf.get_variable(‘weights‘,shape,initializer=tf.truncated_normal_initializer(stddev=0.1))
    
    if regularizer != None:
        tf.add_to_collection(‘losses‘,regularizer(weights))
    
    return weights

# 定義神經網絡的前向傳播過程
 

def inference(input_tensor,regularizer):
    # 如果在同一個程序中多次調用，在第一次調用之後需要將參數reuse設置為True
    with tf.variable_scope(‘layer1‘):
        weights=get_weight_variable([INPUT_NODE,LAYER1_NODE],regularizer)
        biases=tf.get_variable(‘biases‘,[LAYER1_NODE],initializer=tf.constant_initializer(0.0))
        layer1
 
=tf.nn.relu(tf.matmul(input_tensor,weights)+biases)
        
    with tf.variable_scope(‘layer2‘):
        weights=get_weight_variable([LAYER1_NODE,OUTPUT_NODE],regularizer)
        biases=tf.get_variable(‘biases‘,[OUTPUT_NODE],initializer=tf.constant_initializer(0.0))
        layer2=tf.matmul(layer1,weights)+biases
        
    return layer2
        
    

tensorflow 基礎學習八：重構MNIST神經網絡