import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

‘’‘可分別用這兩個函式建立卷積核(kernel)與偏置(bias)’’’
#返回一個給定形狀的變數，並自動以截斷正態分佈初始化
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev = 0.1)
return tf.Variable(initial)

#返回一個給定形狀的變數，初始化時所有值是0.1
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)

‘’‘strides表示在卷積時在影象每一維的步長，這是一個一維的向量，長度4’’’
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides = [1, 1, 1, 1], padding=‘SAME’)

‘’‘池化視窗的大小，取一個四維向量，一般是[1, height, width, 1]，
因為我們不想在batch和channels上做池化，所以這兩個維度設為了1
和卷積類似，視窗在每一個維度上滑動的步長，一般也是[1, stride,stride, 1]
padding=’VALID’時，無自動填充。padding=’SAME’時，自動填充，池化後保持shape不變’’’
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=‘SAME’)

‘’‘當.py檔案被直接執行時，if name == ‘main’之下的程式碼塊將被執行；
當.py檔案以模組形式被匯入時,name == 模組名，if name == ‘main’之下的程式碼塊不被執行’’’
if name == ‘main’:
# 讀入資料
mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)
# x為訓練影象的佔位符，y_為訓練影象標籤的佔位符
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 將單張圖片從784維向量重新還原為2828的矩陣圖片，最後一個維度是顏色通道數
# -1表示形狀第一維的大小是根據x自動確定的
x_image = tf.reshape(x, [-1, 28, 28, 1])
#第一層卷積，5

5大小的視窗，顏色通道數為1，數量為32個
W_conv1 = weight_variable([5, 5, 1, 32])
#維度為32的向量
b_conv1 = bias_variable([32])
#進行卷積計算，卷積計算之後選用ReLU作為啟用函式
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
#進行第一次池化操作
h_pool1 = max_pool_2x2(h_conv1)
#第二層卷積,上一層生成的個數為32，所以為32通道，這一層生成64個
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)
h_pool2 = max_pool_2x2(h_conv2)
#全連線層，輸出為1024維的向量，兩次池化之後變成7*7的矩陣，全連線層設定1024個神經元
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
#鋪平影象資料
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)
#使用Dropout,keep_prob是一個佔位符，訓練時為0.5，測試時為1
keep_prob = tf.placeholder(tf.float32)
#加入Dropout，防止過擬合
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#最後，再加入一個全連線層，把上一步得到的h_fc1_drop轉換為10個類別的打分
#把1024維的向量轉換為10維，對應10個類別
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
#y_conv相當於Softmax模型中的Logit
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
#不採用先Softmax再計算交叉熵的方法
#而是用tf.nn.softmax_cross_entropy_with_logits直接計算，logits：就是神經網路最後一層的輸出，labels：實際的標籤，大小同上
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits = y_conv))
#同樣定義trian_step，這裡步長設定為1e-4，優化演算法使用AdamOptimizer，來最優化損失函式
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#定義測試的準確率
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
‘’‘建立Session,對變數初始化，tf.InteractiveSession():它能讓你在執行圖的時候，插入一些計算圖
tf.Session():需要在啟動session之前構建整個計算圖，然後啟動該計算圖’’’
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
#訓練20000步
for i in range(20000):
# 在mnist.train中提取50個訓練資料
batch = mnist.train.next_batch(50) #batch有兩個引數
#每100步報告一次在驗證集上的準確率
if i % 100 == 0:
train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0}) #如果是Tensor物件時，eval與run的效果一樣，測試效果
print(“step %d, training accuracy %g” %(i, train_accuracy))
train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})
#訓練結束後報告在測試集上的準確率
print(“test accuracy %g” % accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0}))