從時間上來說，這篇文章寫的完了，因為這個實驗早就做完了；但從能力上來說，這篇文章出現的早了，因為很多地方我都還沒有理解。如果不現在寫，不知道什麼時候會有時間是其一，另外一個原因是怕自己過段時間忘記。

 1 #!/usr/bin/env python
 2 # -*- coding: utf-8 -*-
 3 
 4 # @Author  : mario
 5 # @File    : mnist_faltung.py
 6 # @Project : base
 7 # @Time    : 2018-12-19 14:11:38
 8 # @Desc    : File is ...
 9 
10
 
 import tensorflow as tf
11 from tensorflow.examples.tutorials.mnist import input_data
12 
13 mnist = input_data.read_data_sets("data/", one_hot=True)
14 
15 
16 def init_weight_variable(shape):
17     initial = tf.truncated_normal(shape, stddev=0.1)
18     return tf.Variable(initial)
19 
20 
21 def init_bias_variable(shape):
 
22     initial = tf.constant(0.1, shape=shape)
23     return tf.Variable(initial)
24 
25 
26 def conv2d(x, W):
27     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding="SAME")
28 
29 
30 def max_pool_2x2(x):
31     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME"
 
)
32 
33 
34 x = tf.placeholder(tf.float32, [None, 784])
35 y_ = tf.placeholder(tf.float32, [None, 10])
36 
37 W_conv_1 = init_weight_variable([5, 5, 1, 32])
38 b_conv_1 = init_bias_variable([32])
39 
40 x_image = tf.reshape(x, [-1, 28, 28, 1])
41 
42 h_conv_1 = tf.nn.relu(conv2d(x_image, W_conv_1) + b_conv_1)
43 h_pool_1 = max_pool_2x2(h_conv_1)
44 
45 W_conv_2 = init_weight_variable([5, 5, 32, 64])
46 b_conv_2 = init_bias_variable([64])
47 
48 h_conv_2 = tf.nn.relu(conv2d(h_pool_1, W_conv_2) + b_conv_2)
49 h_pool_2 = max_pool_2x2(h_conv_2)
50 
51 W_fc_1 = init_weight_variable([7 * 7 * 64, 1024])
52 b_fc_1 = init_bias_variable([1024])
53 
54 h_pool_flat = tf.reshape(h_pool_2, [-1, 7 * 7 * 64])
55 h_fc_1 = tf.nn.relu(tf.matmul(h_pool_flat, W_fc_1) + b_fc_1)
56 
57 keep_prob = tf.placeholder(tf.float32)
58 h_fc1_drop = tf.nn.dropout(h_fc_1, keep_prob)
59 
60 W_fc_2 = init_weight_variable([1024, 10])
61 b_fc_2 = init_bias_variable([10])
62 
63 y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc_2) + b_fc_2)
64 
65 cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
66 train_step = tf.train.AdagradOptimizer(1e-4).minimize(cross_entropy)
67 
68 sess = tf.InteractiveSession()
69 init = tf.global_variables_initializer()
70 sess.run(init)
71 
72 for _ in range(20000):
73     batch = mnist.train.next_batch(50)
74     train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
75 
76 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
77 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
78 
79 print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

python版本：Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 05:52:31) ；tensor flow版本：1.12.0

10、11行：匯入必要模組

13行：載入本地的資料

16～18行：定義初始化權重變數函式

21～23行：定義初始化偏置變數函式

26～27行：定義一個步長為1，邊距為0的2x2的卷積函式

30～31行：定義一個2x2的池化函式

34、35行：定義佔位符x和y_，其中x是為了接收原始資料，y_是為了接受原始資料標籤

37、38行：初始化第一層卷積權重和偏置量

40行：重塑原始資料結構，我們要把[n,784]這樣的資料結構轉換成卷積需要的[n,28,28,1]，這裡的n是指資料量，原始資料是將28x28畫素的圖片展開為784，卷積相當於我們先將資料還原為28x28，最後的1是指通道數

42、43行：進行卷積操作，並將卷積結果池化

45～49行：進行第二次卷積操作，同樣也是將卷積結果池化

51～61行：使用ReLU，其中57行和58行是為了防止過擬合

63行：使用softmax演算法確定其分類

65行：計算交叉熵

66行：利用交叉熵，呼叫AdagradOptimizer演算法，訓練模型

68～70行：啟用session，初始化變數

72～74行：每次50個訓練20000次

76～79行：評估模型識別率

也是遇到了很多的問題，但幾乎都是因為不理解程式碼造成的，雖然現在程式碼是改對了，但是不理解的地方還是有很多，而且很多概念也是不理解，並且不知道實際上是做了什麼操作，比如說卷積、池化等，倒是做了什麼？感覺這個還是需要後續瞭解的。“路漫漫其修遠兮，吾將上下而求索”用在這裡再合適不過了。