溫馨提示，TensorFlow更新的太快了，有些程式碼實現方式可能變了，但是思想還是沒有變滴，主要還是理解 原文地址

介紹

前面的教程表明，簡單的線性模型具有大約91％的分類準確度，用於識別MNIST資料集中的手寫數字。

在本教程中，我們將在TensorFlow中實現一個簡單的卷積神經網路，如果您進行一些建議的練習，其分類精度約為99％或更高。

卷積網路通過在輸入影象上移動小濾鏡來工作。 這意味著過濾器被重新用於識別整個輸入影象中的模式。 這使得卷積網路比具有相同數量的變數的完全連線網路更強大。 這反過來使Convolutional Networks更快地進行訓練。

您應該熟悉基本的線性代數，Python和Jupyter Notebook編輯器。 TensorFlow的初學者也可能希望在繼續學習之前學習第一篇教程。

Flowchart 下圖大致顯示了下面實現的卷積神經網路中資料的流動方式。

然後在第二卷積層中處理這16個較小的影象。 我們需要為這16個通道中的每個通道提供濾波器權重，並且我們需要對該層的每個輸出通道使用濾波器權重。 有36個輸出通道，因此在第二個卷積層中總共有16 x 36 = 576個濾波器。 生成的影象再次下采樣到7x7畫素。

第二卷積層的輸出是每個7×7畫素的36個影象。 然後將它們展平為長度為7×7×36 = 1764的單個向量，其用作具有128個神經元（或元件）的完全連線層的輸入。 這將進入另一個具有10個神經元的完全連線的層，每個類對應一個類，用於確定影象的類別，即影象中描繪的數字。

卷積濾波器最初是隨機選擇的，因此分類是隨機進行的。 輸入影象的預測類和真實類之間的誤差被測量為所謂的交叉熵。 然後，優化器使用區分鏈規則自動將此錯誤傳播回捲積網路，並更新過濾器權重，以改善分類錯誤。 這反覆進行數千次，直到分類誤差足夠低。

這些特定的濾鏡權重和中間影象是一次優化執行的結果，如果重新執行此Notebook，可能會有所不同。

請注意，TensorFlow中的計算實際上是在一批影象而不是單個影象上完成的，這使得計算更有效。 這意味著當在TensorFlow中實現時，流程圖實際上還有一個數據維度。

Convolutional Layer

下圖顯示了在第一個卷積層中處理影象的基本思想。 輸入影象描繪了數字7，此處顯示了四個影象副本，因此我們可以更清楚地看到濾鏡如何移動到影象的不同位置。 對於濾鏡的每個位置，在濾鏡和濾鏡下的影象畫素之間計算點積，這導致輸出影象中的單個畫素。 因此，在整個輸入影象上移動濾鏡會導致生成新影象。

紅色濾鏡權重意味著濾鏡對輸入影象中的黑色畫素具有正反應，而藍色畫素意味著濾鏡對黑色畫素具有負反應。

在這種情況下，過濾器可以識別出7位數的水平線，從輸出影象中對該線的較強反應可以看出。

在輸入上移動過濾器的步長稱為步幅。 水平移動過濾器（x軸）和另一個垂直移動步幅（y軸）有一個跨度。

在下面的原始碼中，步幅在兩個方向上都設定為1，這意味著濾鏡從輸入影象的左上角開始，並在每個步驟中向右移動1個畫素。 當濾鏡到達影象右側的末尾時，濾鏡將向後移動到影象的左側和1個畫素。 這將一直持續到濾鏡到達輸入影象的右下角並生成整個輸出影象。

當濾鏡到達輸入影象的右側和底部的末端時，可以用零填充（白色畫素）。 這會使輸出影象與輸入影象具有完全相同的尺寸。

此外，卷積的輸出可以通過所謂的整流線性單元（ReLU），其僅確保輸出為正，因為負值被設定為零。 輸出也可以通過所謂的max-pooling進行下采樣，max-pooling考慮2x2畫素的小視窗並且僅保留這些畫素中的最大畫素。 這使輸入影象的解析度減半，例如 從28x28到14x14畫素。

注意，第二卷積層更復雜，因為它需要16個輸入通道。 我們想為每個輸入通道分別使用一個過濾器，因此我們需要16個過濾器而不是一個過濾器。 此外，我們需要來自第二卷積層的36個輸出通道，因此總共需要16 x 36 = 576個濾波器用於第二個卷積層。 瞭解其工作原理可能有點難度。

Imports

%matplotlib inline
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
from sklearn.metrics import confusion_matrix
import time
from datetime import timedelta
import math
複製程式碼

Configuration of Neural Network

為方便起見，此處定義了卷積神經網路的配置，因此您可以輕鬆查詢和更改這些數字並重新執行Notebook。

# Convolutional Layer 1.
filter_size1 = 5          # Convolution filters are 5 x 5 pixels.
num_filters1 = 16         # There are 16 of these filters.

# Convolutional Layer 2.
filter_size2 = 5          # Convolution filters are 5 x 5 pixels.
num_filters2 = 36         # There are 36 of these filters.

# Fully-connected layer.
fc_size = 128             # Number of neurons in fully-connected layer.
複製程式碼

Load Data

MNIST資料集大約為12 MB，如果它不在給定路徑中，將自動下載。

from mnist import MNIST
data = MNIST(data_dir="data/MNIST/")
複製程式碼

複製程式碼MNIST資料集現已載入，由70,000個影象和影象的類號組成。 資料集被分成3個互斥的子集。 我們將僅使用本教程中的培訓和測試集。

print("Size of:")
print("- Training-set:\t\t{}".format(data.num_train))
print("- Validation-set:\t{}".format(data.num_val))
print("- Test-set:\t\t{}".format(data.num_test))


Size of:
- Training-set:		55000
- Validation-set:	5000
- Test-set:		10000
複製程式碼

複製程式碼為方便起見，複製一些資料維度。

# The number of pixels in each dimension of an image.
img_size = data.img_size

# The images are stored in one-dimensional arrays of this length.
img_size_flat = data.img_size_flat

# Tuple with height and width of images used to reshape arrays.
img_shape = data.img_shape

# Number of classes, one class for each of 10 digits.
num_classes = data.num_classes

# Number of colour channels for the images: 1 channel for gray-scale.
num_channels = data.num_channels
複製程式碼

Helper-function for plotting images

用於在3x3網格中繪製9個影象，並在每個影象下面寫入真實和預測類的函式。

def plot_images(images, cls_true, cls_pred=None):
    assert len(images) == len(cls_true) == 9
    
    # Create figure with 3x3 sub-plots.
    fig, axes = plt.subplots(3, 3)
    fig.subplots_adjust(hspace=0.3, wspace=0.3)

    for i, ax in enumerate(axes.flat):
        # Plot image.
        ax.imshow(images[i].reshape(img_shape), cmap='binary')

        # Show true and predicted classes.
        if cls_pred is None:
            xlabel = "True: {0}".format(cls_true[i])
        else:
            xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i])

        # Show the classes as the label on the x-axis.
        ax.set_xlabel(xlabel)
        
        # Remove ticks from the plot.
        ax.set_xticks([])
        ax.set_yticks([])
    
    # Ensure the plot is shown correctly with multiple plots
    # in a single Notebook cell.
    plt.show()

複製程式碼

Plot a few images to see if data is correct

# Get the first images from the test-set.
images = data.x_test[0:9]

# Get the true classes for those images.
cls_true = data.y_test_cls[0:9]

# Plot the images and labels using our helper-function above.
plot_images(images=images, cls_true=cls_true)
複製程式碼

TensorFlow Graph

#Helper-functions for creating new variables（輔助函式用於建立新變數）

用於在給定形狀中建立新TensorFlow變數並使用隨機值初始化它們的函式。 請注意，此時實際上並未完成初始化，它僅在TensorFlow圖中定義。

def new_weights(shape):
    return tf.Variable(tf.truncated_normal(shape, stddev=0.05))
    
def new_biases(length):
    return tf.Variable(tf.constant(0.05, shape=[length]))
複製程式碼

#Helper-function for creating a new Convolutional Layer（輔助功能，用於建立新的卷積層）

此函式在TensorFlow的計算圖中建立一個新的卷積層。 這裡沒有實際計算，我們只是將數學公式新增到TensorFlow圖。

假設輸入是具有以下尺寸的4維張量：

影象編號。
每個影象的Y軸。
每個影象的X軸。
每個影象的通道。
複製程式碼

注意，輸入通道可以是顏色通道，或者如果輸入是從先前的卷積層產生的，則它可以是濾波器通道。

輸出是另一個4-dim張量，具有以下尺寸：

影象編號，與輸入相同。
每個影象的Y軸。 如果使用2x2池，則輸入影象的高度和寬度除以2。
每個影象的X軸。 同上。
卷積濾波器產生的通道。
複製程式碼

def new_conv_layer(input,              # The previous layer.
                   num_input_channels, # Num. channels in prev. layer.
                   filter_size,        # Width and height of each filter.
                   num_filters,        # Number of filters.
                   use_pooling=True):  # Use 2x2 max-pooling.

    # Shape of the filter-weights for the convolution.
    # This format is determined by the TensorFlow API.
    shape = [filter_size, filter_size, num_input_channels, num_filters]

    # Create new weights aka. filters with the given shape.
    weights = new_weights(shape=shape)

    # Create new biases, one for each filter.
    biases = new_biases(length=num_filters)

    # Create the TensorFlow operation for convolution.
    # Note the strides are set to 1 in all dimensions.
    # The first and last stride must always be 1,
    # because the first is for the image-number and
    # the last is for the input-channel.
    # But e.g. strides=[1, 2, 2, 1] would mean that the filter
    # is moved 2 pixels across the x- and y-axis of the image.
    # The padding is set to 'SAME' which means the input image
    # is padded with zeroes so the size of the output is the same.
    layer = tf.nn.conv2d(input=input,
                         filter=weights,
                         strides=[1, 1, 1, 1],
                         padding='SAME')
                         
    # Add the biases to the results of the convolution.
    # A bias-value is added to each filter-channel.
    layer += biases

    # Use pooling to down-sample the image resolution?
    if use_pooling:
        # This is 2x2 max-pooling, which means that we
        # consider 2x2 windows and select the largest value
        # in each window. Then we move 2 pixels to the next window.
        layer = tf.nn.max_pool(value=layer,
                               ksize=[1, 2, 2, 1],
                               strides=[1, 2, 2, 1],
                               padding='SAME')

    # Rectified Linear Unit (ReLU).
    # It calculates max(x, 0) for each input pixel x.
    # This adds some non-linearity to the formula and allows us
    # to learn more complicated functions.
    layer = tf.nn.relu(layer)

    # Note that ReLU is normally executed before the pooling,
    # but since relu(max_pool(x)) == max_pool(relu(x)) we can
    # save 75% of the relu-operations by max-pooling first.

    # We return both the resulting layer and the filter-weights
    # because we will plot the weights later.
    return layer, weights
複製程式碼

#Helper-function for flattening a layer（輔助功能，用於展平圖層）

卷積層產生具有4維的輸出張量。 我們將在卷積層之後新增完全連線的層，因此我們需要將4-dim張量減小到2-dim，這可以用作完全連線層的輸入。

def flatten_layer(layer):
    # Get the shape of the input layer.
    layer_shape = layer.get_shape()

    # The shape of the input layer is assumed to be:
    # layer_shape == [num_images, img_height, img_width, num_channels]

    # The number of features is: img_height * img_width * num_channels
    # We can use a function from TensorFlow to calculate this.
    num_features = layer_shape[1:4].num_elements()
    
    # Reshape the layer to [num_images, num_features].
    # Note that we just set the size of the second dimension
    # to num_features and the size of the first dimension to -1
    # which means the size in that dimension is calculated
    # so the total size of the tensor is unchanged from the reshaping.
    layer_flat = tf.reshape(layer, [-1, num_features])

    # The shape of the flattened layer is now:
    # [num_images, img_height * img_width * num_channels]

    # Return both the flattened layer and the number of features.
    return layer_flat, num_features
複製程式碼

#Helper-function for creating a new Fully-Connected Layer（輔助功能，用於建立新的全連線層）

此函式在TensorFlow的計算圖中建立一個新的完全連線層。 這裡沒有實際計算，我們只是將數學公式新增到TensorFlow圖。

假設輸入是形狀[di_images，num_inputs]的二維張量。 輸出是2-dim張量的形狀[num_images，num_outputs]。

def new_fc_layer(input,          # The previous layer.
                 num_inputs,     # Num. inputs from prev. layer.
                 num_outputs,    # Num. outputs.
                 use_relu=True): # Use Rectified Linear Unit (ReLU)?

    # Create new weights and biases.
    weights = new_weights(shape=[num_inputs, num_outputs])
    biases = new_biases(length=num_outputs)

    # Calculate the layer as the matrix multiplication of
    # the input and weights, and then add the bias-values.
    layer = tf.matmul(input, weights) + biases

    # Use ReLU?
    if use_relu:
        layer = tf.nn.relu(layer)

    return layer
複製程式碼

#Placeholder variables（佔位符變數） 佔位符變數用作TensorFlow計算圖的輸入，每次執行圖時我們都可以更改。 我們稱之為佔位符變數，並在下面進一步說明。

首先，我們為輸入影象定義佔位符變數。 這允許我們更改輸入到TensorFlow圖形的影象。 這是一個所謂的張量，這意味著它是一個多維向量或矩陣。 資料型別設定為float32，形狀設定為[None，img_size_flat]，其中None表示張量可以保持任意數量的影象，每個影象是長度為img_size_flat的向量。

x = tf.placeholder(tf.float32, shape=[None, img_size_flat], name='x')
複製程式碼

卷積層期望x被編碼為4-dim張量，因此我們必須對其進行整形，使其形狀為[num_images，img_height，img_width，num_channels]。 請注意，img_height == img_width == img_size和num_images可以使用-1作為第一個維度的大小自動推斷。 所以重塑操作是：

x_image = tf.reshape(x, [-1, img_size, img_size, num_channels])
複製程式碼

接下來，我們有佔位符變數，用於與佔位符變數x中輸入的影象相關聯的真實標籤。 此佔位符變數的形狀為[None，num_classes]，這意味著它可以包含任意數量的標籤，每個標籤是長度為num_classes的向量，在這種情況下為10。

y_true = tf.placeholder(tf.float32, shape=[None, num_classes], name='y_true')
複製程式碼

我們也可以為label設定佔位符變數，但我們將使用argmax計算它。 請注意，這是一個TensorFlow運算子，因此此時不計算任何內容。

y_true_cls = tf.argmax(y_true, axis=1)
複製程式碼

Convolutional Layer 1

建立第一個卷積層。 它將x_image作為輸入並建立num_filters1個不同的過濾器，每個過濾器的寬度和高度等於filter_size1。 最後，我們希望通過使用2x2 max-pooling對影象進行下采樣，使其大小減半。

layer_conv1, weights_conv1 = \
    new_conv_layer(input=x_image,
                   num_input_channels=num_channels,
                   filter_size=filter_size1,
                   num_filters=num_filters1,
                   use_pooling=True)
複製程式碼

檢查將由卷積層輸出的張量的形狀。 它是（？，14,14,16），這意味著有任意數量的影象（這是？），每個影象寬14畫素，高14畫素，有16個不同的通道，每個通道一個通道 過濾器

layer_conv1

<tf.Tensor 'Relu:0' shape=(?, 14, 14, 16) dtype=float32>
複製程式碼

Convolutional Layer 2

建立第二個卷積層，它將第一個卷積層的輸出作為輸入。 輸入通道的數量對應於第一卷積層中的濾波器的數量。

layer_conv2, weights_conv2 = \
    new_conv_layer(input=layer_conv1,
                   num_input_channels=num_filters1,
                   filter_size=filter_size2,
                   num_filters=num_filters2,
                   use_pooling=True)
複製程式碼

檢查將從此卷積層輸出的張量的形狀。 形狀是（？，7,7,36）？ 再次表示存在任意數量的影象，每個影象的寬度和高度為7個畫素，並且有36個通道，每個濾波器一個。

layer_conv2

<tf.Tensor 'Relu_1:0' shape=(?, 7, 7, 36) dtype=float32>

複製程式碼

Flatten Layer

卷積層輸出4-dim張量。 我們現在希望在完全連線的網路中使用這些作為輸入，這需要將張量重新整形或展平為2-dim張量。

layer_flat, num_features = flatten_layer(layer_conv2)
複製程式碼

檢查張量現在是否具有形狀（？，1764），這意味著有任意數量的影象已被展平為每個長度為1764的向量。 請注意，1764 = 7 x 7 x 36。

In [23]:layer_flat
Out[23]:<tf.Tensor 'Reshape_1:0' shape=(?, 1764) dtype=float32>
In [24]:num_features
Out[24]:1764
複製程式碼

Fully-Connected Layer 1

將完全連線的層新增到網路中。 輸入是前一卷積的平坦層。 完全連線層中的神經元或節點的數量是fc_size。 使用ReLU，我們可以學習非線性關係。

layer_fc1 = new_fc_layer(input=layer_flat,
                         num_inputs=num_features,
                         num_outputs=fc_size,
                         use_relu=True)
複製程式碼

檢查完全連線層的輸出是否為形狀（？，128）的張量？ 意味著有任意數量的影象，fc_size == 128。

In [26]:layer_fc1
Out[26]:<tf.Tensor 'Relu_2:0' shape=(?, 128) dtype=float32>
複製程式碼

Fully-Connected Layer 2

新增另一個完全連線的層，輸出長度為10的向量，用於確定輸入影象屬於哪10個類。 請注意，此層中不使用ReLU。

In [27]:layer_fc2 = new_fc_layer(input=layer_fc1,
                         num_inputs=fc_size,
                         num_outputs=num_classes,
                         use_relu=False)
In [28]:layer_fc2
Out[28]:<tf.Tensor 'add_3:0' shape=(?, 10) dtype=float32>
複製程式碼

Predicted Class

第二個完全連線的層估計輸入影象屬於10個類中的每一個的可能性。 然而，這些估計有點粗糙且難以解釋，因為數字可能非常小或很大，因此我們希望將它們標準化，以便每個元素限制在0和1之間，10個元素總和為1。 這是使用所謂的softmax函式計算的，結果儲存在y_pred中。

y_pred = tf.nn.softmax(layer_fc2)
複製程式碼

class-number是最大元素的索引。

y_pred_cls = tf.argmax(y_pred, axis=1)
複製程式碼

Cost-function to be optimized

為了使模型更好地分類輸入影象，我們必須以某種方式改變所有網路層的變數。 為此，我們首先需要通過將模型y_pred的預測輸出與期望輸出y_true進行比較來了解模型當前的執行情況。

交叉熵是用於分類的效能度量。 交叉熵是一個始終為正的連續函式，如果模型的預測輸出與期望輸出完全匹配，則交叉熵等於零。 因此，優化的目標是最小化交叉熵，使其通過改變網路層的變數儘可能接近零。

TensorFlow具有用於計算交叉熵的內建函式。 請注意，該函式在內部計算softmax，因此我們必須直接使用layer_fc2的輸出，而不是已經應用了softmax的y_pred。

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=layer_fc2,
                                                        labels=y_true)
複製程式碼

我們現在已經計算了每個影象分類的交叉熵，因此我們可以測量模型對每個影象的單獨執行情況。 但是為了使用交叉熵來指導模型變數的優化，我們需要一個標量值，因此我們只需要對所有影象分類採用交叉熵的平均值。

cost = tf.reduce_mean(cross_entropy)
複製程式碼

Optimization Method 現在我們有一個必須最小化的成本度量，然後我們可以建立一個優化器。 在這種情況下，它是AdamOptimizer，它是Gradient Descent的高階形式。

請注意，此時不執行優化。 事實上，根本沒有計算任何東西，我們只需將optimizer-object新增到TensorFlow圖中以便以後執行。

optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cost)
複製程式碼

Performance Measures

correct_prediction = tf.equal(y_pred_cls, y_true_cls)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
複製程式碼

TensorFlow Run

接下來都是訓練、測試、除錯啦～ 方式很多，這裡我就只貼程式碼了

session = tf.Session()
session.run(tf.global_variables_initializer())
train_batch_size = 64
# Counter for total number of iterations performed so far.
total_iterations = 0

def optimize(num_iterations):
    # Ensure we update the global variable rather than a local copy.
    global total_iterations

    # Start-time used for printing time-usage below.
    start_time = time.time()

    for i in range(total_iterations,
                   total_iterations + num_iterations):

        # Get a batch of training examples.
        # x_batch now holds a batch of images and
        # y_true_batch are the true labels for those images.
        x_batch, y_true_batch, _ = data.random_batch(batch_size=train_batch_size)

        # Put the batch into a dict with the proper names
        # for placeholder variables in the TensorFlow graph.
        feed_dict_train = {x: x_batch,
                           y_true: y_true_batch}

        # Run the optimizer using this batch of training data.
        # TensorFlow assigns the variables in feed_dict_train
        # to the placeholder variables and then runs the optimizer.
        session.run(optimizer, feed_dict=feed_dict_train)

        # Print status every 100 iterations.
        if i % 100 == 0:
            # Calculate the accuracy on the training-set.
            acc = session.run(accuracy, feed_dict=feed_dict_train)

            # Message for printing.
            msg = "Optimization Iteration: {0:>6}, Training Accuracy: {1:>6.1%}"

            # Print it.
            print(msg.format(i + 1, acc))

    # Update the total number of iterations performed.
    total_iterations += num_iterations

    # Ending time.
    end_time = time.time()

    # Difference between start and end-times.
    time_dif = end_time - start_time

    # Print the time-usage.
    print("Time usage: " + str(timedelta(seconds=int(round(time_dif)))))
    
    
複製程式碼

def plot_example_errors(cls_pred, correct):
    # This function is called from print_test_accuracy() below.

    # cls_pred is an array of the predicted class-number for
    # all images in the test-set.

    # correct is a boolean array whether the predicted class
    # is equal to the true class for each image in the test-set.

    # Negate the boolean array.
    incorrect = (correct == False)
    
    # Get the images from the test-set that have been
    # incorrectly classified.
    images = data.x_test[incorrect]
    
    # Get the predicted classes for those images.
    cls_pred = cls_pred[incorrect]

    # Get the true classes for those images.
    cls_true = data.y_test_cls[incorrect]
    
    # Plot the first 9 images.
    plot_images(images=images[0:9],
                cls_true=cls_true[0:9],
                cls_pred=cls_pred[0:9])
複製程式碼

def plot_confusion_matrix(cls_pred):
    # This is called from print_test_accuracy() below.

    # cls_pred is an array of the predicted class-number for
    # all images in the test-set.

    # Get the true classifications for the test-set.
    cls_true = data.y_test_cls
    
    # Get the confusion matrix using sklearn.
    cm = confusion_matrix(y_true=cls_true,
                          y_pred=cls_pred)

    # Print the confusion matrix as text.
    print(cm)

    # Plot the confusion matrix as an image.
    plt.matshow(cm)

    # Make various adjustments to the plot.
    plt.colorbar()
    tick_marks = np.arange(num_classes)
    plt.xticks(tick_marks, range(num_classes))
    plt.yticks(tick_marks, range(num_classes))
    plt.xlabel('Predicted')
    plt.ylabel('True')

    # Ensure the plot is shown correctly with multiple plots
    # in a single Notebook cell.
    plt.show()
複製程式碼

# Split the test-set into smaller batches of this size.
test_batch_size = 256

def print_test_accuracy(show_example_errors=False,
                        show_confusion_matrix=False):

    # Number of images in the test-set.
    num_test = data.num_test

    # Allocate an array for the predicted classes which
    # will be calculated in batches and filled into this array.
    cls_pred = np.zeros(shape=num_test, dtype=np.int)

    # Now calculate the predicted classes for the batches.
    # We will just iterate through all the batches.
    # There might be a more clever and Pythonic way of doing this.

    # The starting index for the next batch is denoted i.
    i = 0

    while i < num_test:
        # The ending index for the next batch is denoted j.
        j = min(i + test_batch_size, num_test)

        # Get the images from the test-set between index i and j.
        images = data.x_test[i:j, :]

        # Get the associated labels.
        labels = data.y_test[i:j, :]

        # Create a feed-dict with these images and labels.
        feed_dict = {x: images,
                     y_true: labels}

        # Calculate the predicted class using TensorFlow.
        cls_pred[i:j] = session.run(y_pred_cls, feed_dict=feed_dict)

        # Set the start-index for the next batch to the
        # end-index of the current batch.
        i = j
    # Convenience variable for the true class-numbers of the test-set.
    cls_true = data.y_test_cls

    # Create a boolean array whether each image is correctly classified.
    correct = (cls_true == cls_pred)

    # Calculate the number of correctly classified images.
    # When summing a boolean array, False means 0 and True means 1.
    correct_sum = correct.sum()

    # Classification accuracy is the number of correctly classified
    # images divided by the total number of images in the test-set.
    acc = float(correct_sum) / num_test

    # Print the accuracy.
    msg = "Accuracy on Test-Set: {0:.1%} ({1} / {2})"
    print(msg.format(acc, correct_sum, num_test))

    # Plot some examples of mis-classifications, if desired.
    if show_example_errors:
        print("Example errors:")
        plot_example_errors(cls_pred=cls_pred, correct=correct)

    # Plot the confusion matrix, if desired.
    if show_confusion_matrix:
        print("Confusion Matrix:")
        plot_confusion_matrix(cls_pred=cls_pred)
複製程式碼

print_test_accuracy()
optimize(num_iterations=900)
print_test_accuracy(show_example_errors=True)
複製程式碼