MNIST是手寫的資料庫，由Yann LeCun釋出，http://yann.lecun.com/exdb/lenet/index.html Tensorflow也把資料庫裡的東西封裝成方法，通過CNN卷積神經網路實現MNIST資料識別。

下載並安裝MNIST資料集，分為訓練集、測試集和驗證集，每個有55000張圖片，每張圖片大小為28*28，784畫素。

from tensorflow examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('mnist_data', one_hot = True)

mnist_data是自己取的資料集名稱，存放在當前的py檔案位置。
one_hot是獨熱碼，例如1為0100000000，2為00100000000，以此類推。若為False，數字就為1、2、3…

構建實驗資料

input_x = tf.placeholder(tf.float32, [None, 28*28])/255.
output_y = tf.placeholder(tf.int32, [None, 10])
input_x_images = tf.reshape(train_x, [-1, 28, 28, 1])

輸入是28*28畫素的圖片，輸出是1*1*10的預測。

構建卷積神經網路

輸入為28*28的圖片，經過卷積—池化—卷積—池化—扁平化—1024的全連線層—1*1*10的全連線層—圖片預測。
這裡拿了網圖作為參考233，輸入28*28*1的灰度圖，乘1表示灰度圖，只有一個顏色，不是RGB的彩色圖。

從測試的資料集裡選取3000個手寫數字的圖片和對應標籤。

test_x = mnist.test.images[:3000] 
test_y = mnist.test.labels[:3000]

構建第一層卷積，用5×5的過濾器（filter又叫kernel），從左上角到右下角照這張圖，32個filter每掃一遍增加一層，depth為32。輸入的28*28*1的影象經過第一層卷積後變為28*28*32。

conv1 = tf.layers.conv2d(
    inputs=input_x_images,
    filters=32,            
    kernel_size=[5
 
, 5],    
    strides=1,             
    padding='same',        
    activation=tf.nn.relu  
) 

這裡的步長設為1，padding為’same’表示輸出的大小不變，需要在外圍補兩圈0，啟用函式使用relu。經過第一層卷積神經網路後，形狀會變為[28, 28, 32]。接著進行第一層池化，又叫亞取樣。

pool1 = tf.layers.max_pooling2d(
    inputs=conv1,    
    pool_size=[2, 2],
    strides=2        
) 

池化層的輸入為卷積層的輸出，選用二維平面大小為[2, 2]的過濾器，步長選為2，不改變深度，池化層最終的輸出形狀為[14, 14, 32]。接著進行第二層卷積。

conv2 = tf.layers.conv2d(
    inputs=pool1,         
    filters=64,            
    kernel_size=[5, 5],    
    strides=1,             
    padding='same',        
    activation=tf.nn.relu  
) 

第二層卷積採用64個過濾器，過濾器在二維的大小為[5, 5]，步長為1，生成的形狀為[14, 14, 64]。

pool2 = tf.layers.max_pooling2d(
    inputs=conv2,     
    pool_size=[2, 2], 
    strides=2         
)

經過第二層池化後生成的形狀為[7, 7, 64]，進行平坦化操作，將圖形壓成1×1。並進行dropout。

flat = tf.reshape(pool2, [-1, 7 * 7 * 64]) 
logits = tf.layers.dense(inputs=dropout, units=10)

-1表示根據以後的確定的引數推斷出這個位置上維度的大小。

最後計算誤差，計算cross entropy交叉熵，再用softmax計算百分比概率。隨後用Adam優化器進行優化，學習率為0.001。

loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y, logits=logits)

train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

accuracy = tf.metrics.accuracy(
    labels=tf.argmax(output_y, axis=1),
    predictions=tf.argmax(logits, axis=1),)[1]

accuracy是計算預測值與實際標籤的匹配程度，會建立accuracy和update_op兩個區域性變數。

最後最後，建立會話，初始化變數，進行訓練。

sess = tf.Session()
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) 
    train_loss, train_op_ = sess.run([loss, train_op], {input_x: batch[0], output_y: batch[1]})
    if i % 100 == 0:
        test_accuracy = sess.run(accuracy, {input_x: test_x, output_y: test_y})
        print("Step=%d, Train loss=%.4f, [Test accuracy=%.2f]") \
            % (i, train_loss, test_accuracy)