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

# 計算開始時間  
start = time.clock()  
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)


# sess = tf.InteractiveSession()


x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])


W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

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')   # strides第0位和第3為一定為1，剩下的是卷積的橫向和縱向步長

def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],   #引數ksize是要執行取最值的切片在各個維度上的尺寸，四維陣列意義為[batch, height, width, channels]
                        strides=[1, 2, 2, 1], padding='SAME')       #引數strides是取切片的步長，四維陣列意義為四個方向的步長，這裡height和width方向都為2，例如原本8x8的矩陣，用2x2切片去pool，會獲得5x5的矩陣輸出（SAME模式），有效的減少特徵維度。    


#第一層卷積
#現在我們可以開始實現第一層了。它由一個卷積接一個max pooling完成。卷積在每個5x5的patch中算出32個特徵。
#卷積的權重張量形狀是[5, 5, 1, 32]，前兩個維度是patch的大小，接著是輸入的通道數目，最後是輸出的通道數目。 而對於每一個輸出通道都有一個對應的偏置量
W_conv1 = weight_variable([5, 5, 1, 32])   #  5,5表示patch的大小，1輸入的通道數目(彩色圖片有r,g,b三個通道)，32表示有多少個神經元（特徵）
b_conv1 = bias_variable([32])


#為了用這一層，我們把x變成一個4d向量，其第2、第3維對應圖片的寬、高，
#最後一維代表圖片的顏色通道數(因為是灰度圖所以這裡的通道數為1，如果是rgb彩色圖，則為3)。
x_image = tf.reshape(x, [-1,28,28,1])  #-1代表任何維度，這裡是樣本數量，MNIST的影象大小為28*28，由於是黑白的，只有一個in_channel。


#我們把x_image和權值向量進行卷積，加上偏置項，然後應用ReLU啟用函式，最後進行max pooling。

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)






#第二層卷積

#為了構建一個更深的網路，我們會把幾個類似的層堆疊起來。第二層中，每個5x5的patch會得到64個特徵。
W_conv2 = weight_variable([5, 5, 32, 64])  #  這裡32是指上一層的輸出通道數目就是這一層的輸入的通道數目
b_conv2 = bias_variable([64])      

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)


# 輸入的是32個14x14的矩陣，權重體現了這層要輸出的矩陣個數為64。
# 卷積輸出64個12x12的矩陣，因為(14+2−4)/1
# 池化輸出64個7x7的矩陣，因為(12+2)/2

#密集連線層

#現在，圖片尺寸減小到7x7，我們加入一個有1024個神經元的全連線層，用於處理整個圖片。
#我們把池化層輸出的張量reshape成一些向量，乘上權重矩陣，加上偏置，然後對其使用ReLU。
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)  #tf.matmul（）表示矩陣相乘


#Dropout
# 為了減少過擬合，我們在輸出層之前加入dropout。我們用一個placeholder來代表一個神經元的輸出在dropout中保持不變的概率。這樣我們可以在訓練過程中啟用dropout，
# 在測試過程中關閉dropout。 TensorFlow的tf.nn.dropout操作除了可以遮蔽神經元的輸出外，還會自動處理神經元輸出值的scale。所以用dropout的時候可以不用考慮scale。
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)


#輸出層

#最後，我們新增一個softmax層，把向量化後的圖片x和權重矩陣W相乘，加上偏置b，然後計算每個分類的softmax概率值。
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])


#類別預測
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

#損失函式
#可以很容易的為訓練過程指定最小化誤差用的損失函式，我們的損失函式是目標類別和預測類別之間的交叉熵。



#訓練和評估模型


#損失函式
#可以很容易的為訓練過程指定最小化誤差用的損失函式，我們的損失函式是目標類別和預測類別之間的交叉熵。
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))   # 計算交叉熵  



# 使用adam優化器來以0.0001的學習率來進行微調

#train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
train_step = tf.train.AdagradOptimizer(1e-4).minimize(cross_entropy)

# 判斷預測標籤和實際標籤是否匹配
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# 啟動建立的模型，並初始化變數  
sess = tf.Session()  
sess.run(tf.global_variables_initializer())   
for i in range(20000):
  batch = mnist.train.next_batch(50)    # batch 大小設定為50
  if i%100 == 0:
    train_accuracy = accuracy.eval(session=sess,feed_dict={
        x:batch[0], y_: batch[1], keep_prob: 1.0})
    print ("step %d, training accuracy %g"%(i, train_accuracy))
  train_step.run(session=sess,feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

print ("test accuracy %g"%accuracy.eval(session=sess,feed_dict={
    x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))  



# 計算程式結束時間  
end = time.clock()  
print("running time is %g s" %(end-start))