实现CNN卷积神经网络

以上是模型，下面是代码：

import tensorflow as tf
import numpy as np
import time
from tensorflow.examples.tutorials.mnist import input_data

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

start = time.clock()

# 下载并载入MNIST 手写数字库
mnist = input_data.read_data_sets("./data/MNIST", one_hot=True)

input_x = tf.placeholder(tf.float32, shape=[None, 28 * 28]) / 255  # 灰度的处理
output_y = tf.placeholder(tf.float32, shape=[None, 10])   #输出10个数字的标签
input_x_images = tf.reshape(input_x, shape=[-1, 28, 28, 1])  #改变形状之后的输入

# 从Test(测试）数据集里选取3000个手写数字的图片和对应的标签
test_x = mnist.test.images[:3000]
test_y = mnist.test.labels[:3000]

# 构建我们的卷积神经网络
# 第一层卷积
conv1 = tf.layers.conv2d(inputs=input_x_images,  # 形状为[28,28,1]
                         filters=32,  # 32个过滤器，输出的深度位32
                         kernel_size=[5, 5],  # 过滤器在二维的大小是（5*5）
                         strides=1,  # 步长是1
                         padding="same",  # snme表示输出大小不变，因此要在外围补零2圈
                         activation=tf.nn.relu  # 表示激活函数是relu
                         )  # 形状[28,28,32]

# 第一层池化（亚采样）
pool1 = tf.layers.max_pooling2d(
    inputs=conv1,  # 形状[28,28,32]
    pool_size=[2, 2],  # 过滤器在二维的大小是[2,2]
    strides=2  # 步长是2
)  # 形状[14,14,32]

# 第二层卷积
conv2 = tf.layers.conv2d(inputs=pool1,  # 形状为[14,14,32]
                         filters=64,  # 64个过滤器，输出的深度位64
                         kernel_size=[5, 5],  # 过滤器在二维的大小是（5*5）
                         strides=1,  # 步长是1
                         padding="same",  # snme表示输出大小不变，因此要在外围补零2圈
                         activation=tf.nn.relu  # 表示激活函数是relu
                         )  # 形状[14,14,64]

# 第二层池化（亚采样）
pool2 = tf.layers.max_pooling2d(
    inputs=conv2,  # 形状[14,14,64]
    pool_size=[2, 2],  # 过滤器在二维的大小是[2,2]
    strides=2  # 步长是2
)  # 形状[7,7,64]

#平坦化（flat）
flat = tf.reshape(pool2,shape=[-1,7 * 7 * 64])  #形状[7 * 7 * 64]

#1024个神经元的全连接层
dense = tf.layers.dense(inputs=flat,units=1024,activation=tf.nn.relu)

#Dropout :丢弃 50%  rate = 0.5
dropout = tf.layers.dropout(inputs=dense,rate=0.5)

#10个神经元的全连接层，这里不用激活函数来做非线性化了。
logits = tf.layers.dense(inputs=dropout,units=10)  #输出形状[1,1,10]

#计算误差（计算 Cross entropy（交叉熵）），再用softmax计算百分比概率
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,logits=logits)

# Adam 优化器来最小化误差，学习率0.001
train_op = tf.train.AdadeltaOptimizer(learning_rate=0.001).minimize(loss)

#精度，计算，预测值 和 实际标签 的匹配程度
#返回 (accuracy .update_op) 会创建两个局部变量
accuracy = tf.metrics.accuracy(
    labels=tf.argmax(input=output_y,axis=1),
    predictions=tf.argmax(input=logits,axis=1)
)[1]

#创建会话
with tf.Session() as sess:
    #初始化变量
    init = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
    sess.run(init)
    for i in range(20000):
        batch = mnist.train.next_batch(50) #从Train（训练）数据集里下一个50个样本
        train_loss,train_op_ = sess.run([loss,train_op],feed_dict={input_x:batch[0],output_y:batch[1]})
        if i % 100 == 0:
            test_accuracy = sess.run(accuracy,feed_dict={input_x:test_x,output_y:test_y})
            print(("Step+%d,Train loss=%.4f,[Test accuracy=%.2f]") % (i,train_loss,test_accuracy))

    #测试：打印20个 预测值 和 真实值 的对
    test_output = sess.run(logits,feed_dict={input_x:test_x[:20]})
    inference_y = np.argmax(test_output,1)
    print(inference_y," Inference number") #推测的数字
    print(np.argmax(test_y[:20],1),"Real numbers") #真实的数字

    #显示时间
    end = time.clock()
    print(end - start, "秒")

当然CNN还有很长一段路要走。代码不容易，且敲且珍惜。