這裡使用TensorFlow實現一個簡單的卷積神經網路，使用的是MNIST資料集。網路結構為：資料輸入層–卷積層1–池化層1–卷積層2–池化層2–全連線層1–全連線層2（輸出層），這是一個簡單但非常有代表性的卷積神經網路。

import tensorflow as tf
import numpy as np
import input_data

mnist = input_data.read_data_sets('data/', one_hot=True)
print("MNIST ready")

sess = tf.InteractiveSession()

# 定義好初始化函式以便重複使用。給權重製造一些隨機噪聲來打破完全對稱，使用截斷的正態分佈，標準差設為0.1，
 

# 同時因為使用relu，也給偏執增加一些小的正值(0.1)用來避免死亡節點(dead neurons)
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') # 引數分別指定了卷積核的尺寸、多少個channel、filter的個數即產生特徵圖的個數

# 2x2最大池化，即將一個2x2的畫素塊降為1x1的畫素。最大池化會保留原始畫素塊中灰度值最高的那一個畫素，即保留最顯著的特徵。
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

n_input  = 784 # 28*28的灰度圖，畫素個數784
n_output = 10  # 是10分類問題
 


# 在設計網路結構前，先定義輸入的placeholder，x是特徵，y是真實的label
x = tf.placeholder(tf.float32, [None, n_input]) 
y = tf.placeholder(tf.float32, [None, n_output]) 
x_image = tf.reshape(x, [-1, 28, 28, 1]) # 對影象做預處理，將1D的輸入向量轉為2D的圖片結構，即1*784到28*28的結構,-1代表樣本數量不固定，1代表顏色通道數量

# 定義第一個卷積層，使用前面寫好的函式進行引數初始化，包括weight和bias
W_conv1 = weight_variable([3, 3, 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)

# 定義第二個卷積層
W_conv2 = weight_variable([3, 3, 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)

# fc1，將兩次池化後的7*7共128個特徵圖轉換為1D向量，隱含節點1024由自己定義
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)

# 為了減輕過擬合，使用Dropout層
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# Dropout層輸出連線一個Softmax層,得到最後的概率輸出
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
pred = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #前向傳播的預測值，
print("CNN READY")

# 定義損失函式為交叉熵損失函式
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=[1]))
# 優化器
optm = tf.train.AdamOptimizer(0.001).minimize(cost)
# 定義評測準確率的操作
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # 對比預測值的索引和真實label的索引是否一樣，一樣返回True，不一樣返回False
accuracy = tf.reduce_mean(tf.cast(corr, tf.float32))
# 初始化所有引數
tf.global_variables_initializer().run()
print("FUNCTIONS READY")

training_epochs = 1000 # 所有樣本迭代1000次
batch_size = 100 # 每進行一次迭代選擇100個樣本
display_step = 1

for i in range(training_epochs):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples/batch_size)
    batch = mnist.train.next_batch(batch_size)
    optm.run(feed_dict={x:batch[0], y:batch[1], keep_prob:0.7})
    avg_cost += sess.run(cost, feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})/total_batch
    if i % display_step ==0: # 每10次訓練，對準確率進行一次測試
        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})
        test_accuracy = accuracy.eval(feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_prob:1.0})
        print("step: %d  cost: %.9f  TRAIN ACCURACY: %.3f  TEST ACCURACY: %.3f" % (i, avg_cost, train_accuracy, test_accuracy))
print("DONE")

訓練迭代1000次之後，測試分類正確率達到了98.6%

step: 999  cost: 0.000048231  TRAIN ACCURACY: 0.990  TEST ACCURACY: 0.986

在2000次的時候達到了99.1%

step: 2004  cost: 0.000042901  TRAIN ACCURACY: 0.990  TEST ACCURACY: 0.991

相比之前簡單神經網路，CNN的效果明顯較好，這其中主要的效能提升都來自於更優秀的網路設計，即卷積神經網路對影象特徵的提取和抽象能力。依靠卷積核的權值共享，CNN的引數量並沒有爆炸，降低計算量的同時也減輕了過擬合，因此整個模型的效能有較大的提升。