參考《Tensorflow實戰Google深度學習框架》的一個cnn實現mnist的例子

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

mnist = input_data.read_data_sets("data/", one_hot=True)  # 讀取圖片資料集
sess = tf.InteractiveSession()  # 建立session


# 一，函式宣告部分

def weight_variable(shape):
    # 正態分佈，標準差為0.1，預設最大為1，最小為-1，均值為0
 

    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)


def bias_variable(shape):
    # 建立一個結構為shape矩陣也可以說是陣列shape宣告其行列，初始化所有值為0.1
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)


def conv2d(x, W):
    # 卷積遍歷各方向步數為1，SAME：邊緣外自動補0，遍歷相乘
    return
 
 tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


def max_pool_2x2(x):
    # 池化卷積結果（conv2d）池化層採用kernel大小為2*2，步數也為2，周圍補0，取最大值。資料量縮小了4倍
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')


# 二，定義輸入輸出結構

# 宣告一個佔位符，None表示輸入圖片的數量不定，28*28圖片解析度
xs = tf.placeholder(tf.float32, [None
 
, 28 * 28])
# 類別是0-9總共10個類別，對應輸出分類結果
ys = tf.placeholder(tf.float32, [None, 10])
keep_prob = tf.placeholder(tf.float32)
# x_image又把xs reshape成了28*28*1的形狀，因為是灰色圖片，所以通道是1.作為訓練時的input，-1代表圖片數量不定
x_image = tf.reshape(xs, [-1, 28, 28, 1])

# 三，搭建網路,定義演算法公式，也就是forward時的計算

## 第一層卷積操作 ##
# 第一二引數值得卷積核尺寸大小，即patch，第三個引數是影象通道數，第四個引數是卷積核的數目，代表會出現多少個卷積特徵影象;
W_conv1 = weight_variable([5, 5, 1, 32])
# 對於每一個卷積核都有一個對應的偏置量。
b_conv1 = bias_variable([32])
# 圖片乘以卷積核，並加上偏執量，卷積結果28x28x32
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 池化結果14x14x32 卷積結果乘以池化卷積核
h_pool1 = max_pool_2x2(h_conv1)

## 第二層卷積操作 ##
# 32通道卷積，卷積出64個特徵
w_conv2 = weight_variable([5, 5, 32, 64])
# 64個偏執資料
b_conv2 = bias_variable([64])
# 注意h_pool1是上一層的池化結果，#卷積結果14x14x64
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
# 池化結果7x7x64
h_pool2 = max_pool_2x2(h_conv2)
# 原影象尺寸28*28，第一輪影象縮小為14*14，共有32張，第二輪後圖像縮小為7*7，共有64張

## 第三層全連線操作 ##
# 二維張量，第一個引數7*7*64的patch，也可以認為是隻有一行7*7*64個數據的卷積，第二個引數代表卷積個數共1024個
W_fc1 = weight_variable([7 * 7 * 64, 1024])
# 1024個偏執資料
b_fc1 = bias_variable([1024])
# 將第二層卷積池化結果reshape成只有一行7*7*64個數據# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
# 卷積操作，結果是1*1*1024，單行乘以單列等於1*1矩陣，matmul實現最基本的矩陣相乘，不同於tf.nn.conv2d的遍歷相乘，自動認為是前行向量後列向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

# dropout操作，減少過擬合，其實就是降低上一層某些輸入的權重scale，甚至置為0，升高某些輸入的權值，甚至置為2，防止評測曲線出現震盪，個人覺得樣本較少時很必要
# 使用佔位符，由dropout自動確定scale，也可以自定義，比如0.5，根據tensorflow文件可知，程式中真實使用的值為1/0.5=2，也就是某些輸入乘以2，同時某些輸入乘以0
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)  # 對卷積結果執行dropout操作

## 第四層輸出操作 ##
# 二維張量，1*1024矩陣卷積，共10個卷積，對應我們開始的ys長度為10
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
# 最後的分類，結果為1*1*10 softmax和sigmoid都是基於logistic分類演算法，一個是多分類一個是二分類
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 四，定義loss(最小誤差概率)，選定優化優化loss，
cross_entropy = -tf.reduce_sum(ys * tf.log(y_conv))  # 定義交叉熵為loss函式
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)  # 呼叫優化器優化，其實就是通過喂資料爭取cross_entropy最小化

# 五，開始資料訓練以及評測
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(ys, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.global_variables_initializer().run()
for i in range(20000):
    batch = mnist.train.next_batch(50)
    if i % 100 == 0:
        train_accuracy = accuracy.eval(feed_dict={xs: batch[0], ys: batch[1], keep_prob: 1.0})
        print("step %d, training accuracy %g" % (i, train_accuracy))
    train_step.run(feed_dict={xs: batch[0], ys: batch[1], keep_prob: 0.5})
print("test accuracy %g" % accuracy.eval(feed_dict={x: mnist.test.images, ys: mnist.test.labels, keep_prob: 1.0}))

執行結果
C:\python35\python.exe D:/code/python/2018-7-15/bin/mnist.py
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
step 0, training accuracy 0.06
step 100, training accuracy 0.98
step 200, training accuracy 0.94
step 300, training accuracy 0.94
step 400, training accuracy 0.98
…