程式碼如下：

#tf可以認為是全域性變數，從該變數為類，從中取input_data變數
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
#讀取資料集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

#這裡用CNN方法進行訓練
#函式定義部分
def weight_variable(shape):
    initial=tf.truncated_normal(shape,stddev=0.1)#隨機權重賦值，不過truncated_normal代表如果是2倍標準差之外的結果重新選取該值
    return tf.Variable(initial)

def bias_variable(shape):
    initial=tf.constant(0.1,shape=shape)#偏置項
    return tf.Variable(initial)

def conv2d(x,W):
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示輸出補邊，這裡輸出與輸入尺寸一致

def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化範圍的大小，stride為掃描步長






# 這裡是變數的佔位符，一般是輸入輸出使用該部分
x=tf.placeholder(tf.float32,[None,784])
y_=tf.placeholder("float",[None,10])
x_image=tf.reshape(x,[-1,28,28,1])#-1表示自動計算該維度

#該部分會說明tensorboard的使用，tensorboard會顯示常量、變數、結構圖等
#這裡做一些常見資料的顯示，如結構圖的顯示，訓練的loss，某個節點權重值的變化
#結構圖的顯示，這裡顯示是分部分的，第一層在建立時可以按照下面的方式

#正常建立第一層
#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)
#h_pool1=max_pool_2x2(h_conv1)

#建立第一層，並指定該部分在tensorboard顯示
#這裡在顯示時建立了兩層結構，第二層結構在part1的內部結構，放大後可以顯示，後續我們只著重大的模組
with tf.name_scope('part1'):#指定顯示的結構圖的部分
    with tf.name_scope('weights1'):
        W_conv1=weight_variable([5,5,1,32])
    with tf.name_scope('bias1'):
        b_conv1=bias_variable([32])
    with tf.name_scope('h_conv1'):
        h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
    with tf.name_scope('h_pool1'):
        h_pool1=max_pool_2x2(h_conv1)

#第二層
with tf.name_scope('part2'):
    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)


#第三層，而且這裡是全連線層
with tf.name_scope('part3'):
    with tf.name_scope('fcn1_dropout'):
        W_fc1=weight_variable([7*7*64,1024])
        b_fc1=bias_variable([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，注意這裡也是有一個輸入引數的，和x以及y一樣
        keep_prob=tf.placeholder(tf.float32)
        h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
    with tf.name_scope('fcn2_softmax'):
        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)

#之上是網路顯示的部分


# 評價函式
cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


tf.summary.scalar('cross_entropy',cross_entropy)#顯示優化函式的變化
tf.summary.scalar('accuracy',accuracy)#顯示訓練的準確率

# 啟動模型,Session建立這樣一個物件，然後指定某種操作，並實際進行該步
init=tf.initialize_all_variables()
sess=tf.Session()
#之前只是指定了顯示的部分，我們需要將它們整合
merged=tf.summary.merge_all()
#tensorboard資訊需要寫到檔案中，這裡定義寫檔案的部分writer
writer=tf.summary.FileWriter("MNIST_board/", sess.graph)
sess.run(init)



#資料讀取部分
for i in range(1000):

    batch_xs, batch_ys = mnist.train.next_batch(50)#這裡貌似是代表讀取50張影象資料
    #run第一個引數是fetch，可以是tensor也可以是Operation，第二個feed_dict是替換tensor的值
    '''
    if i % 10 == 0:
        train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})
        print("step:%d,accuracy:%g" % (i, train_accuracy))
    '''
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一個引數是想要執行的位置，一般有train，accuracy，initdeng
    #第二個引數feed_dict，一般是輸入引數，該程式碼裡有x，y以及drop的引數
    if i%20==0 :
        print(i)
        print("train accuracy:%g"%sess.run(accuracy, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5}))
        result = sess.run(merged, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#merged也是tf中的，也需要session的執行
        writer.add_summary(result, i)#這裡代表寫入，因為只有單次所以應該寫在迴圈中，不然會只有一次的結果
print("test accuracy:%g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1}))

writer.close()
 

具體的用法見註釋

可以看到執行結果：

然後anaconda Prompt中輸入命令：

這樣應該有網址出現，複製開啟即可，不過貌似本人電腦缺少部分檔案，一直沒有成功，也是比較心塞的