1：設計演算法來訓練模型
對於處理這種多分類任務，通常用Softmax Regression。工作原理就是對每一種類別估計一個概率，然後取概率最大的類別作為模型的輸出結果。
2：定義一個loss function來描述模型對問題的分類精度
對多分類問題通常用cross-entropy作為loss function。loss越小，代表與模型的分類結果與真實值的偏差越小，訓練的目的就是不斷減小loss，直到達到一個全域性最優或區域性最優解。
3：定義一個優化演算法即可開始訓練
採用最常見的隨機梯度下降SGD(Stochastic Gradient Descent)，定義好後Tensorflow會自動求導並根據反向傳播進行訓練，在每輪迭代時更新引數來減小loss。
4：全域性初始化
5：迭代的執行訓練
隨機選一部分樣本feed給placeholder，稱為隨機梯度下降。大多數情況下，這比全樣本訓練的收斂速度快很多。
6：對準確率進行評測
對比預測概率最大的和真實樣本類別，相同為true，不同為false。然後由bool值轉換為float值再求平均即為準確率。

# -*- coding: utf-8 -*-

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf 
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#1定義函式
def weight_variable(shape):	
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)
def bias_variable(shape):	
    initial = tf.constant(0.1,shape=shape)	
    return tf.Variable(initial)
def conv2d(x,W):	
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
def max_pool_2x2(x):	
    return tf.nn.max_pool(x,ksize = [1,2,2,1],strides=[1,2,2,1],padding='SAME')
#2定義輸入輸出，佔位符
x = tf.placeholder("float", shape=[None, 28*28])
y_ = tf.placeholder("float", shape=[None, 10]) 
keep_prob = tf.placeholder(tf.float32)
x_image = tf.reshape(x,[-1,28,28,1])#重置成28*28*1
#3搭建網路，定義演算法
w_conv1 = weight_variable([5,5,1,32]) 
b_conv1 = bias_variable([32]) 
h_conv1 = tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)#28*28*32
h_pool1 = max_pool_2x2(h_conv1)#14*14*32

w_conv2 = weight_variable([5,5,32,64]) 
b_conv2 = bias_variable([64]) 
h_conv2 = tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)#14*14*64
h_pool2 = max_pool_2x2(h_conv2) #7*7*64

w_fc1 = weight_variable([7*7*64,1024])
b_fc1 = bias_variable([1024]) 
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])#重置成1行
f_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)#1*1*1024
h_fc1_drop = tf.nn.dropout(f_fc1,keep_prob)

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)#1*1*10
#4優化：用Adam
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) 
#5正確率，初始化所有變數
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
#6訓練
for i in range(2000):  
    batch = mnist.train.next_batch(50)  
    if i%100 == 0:    
        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})    
        print ("step %d, training accuracy %g"%(i, train_accuracy) ) 
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 
print( "test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images[0:500], y_: mnist.test.labels[0:500], keep_prob: 1.0}))