# -*- coding: utf-8 -*-
"""
Created on Wed Mar 14 09:50:13 2018


@author: 102121


"""
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
#匯入MNIST資料集，建立預設的Interactive Session
mnist = input_data.read_data_sets("MNIST_data", one_hot = True)
sess = tf.InteractiveSession()


#定義權重和偏差的初始化函式
def weight_variable(shape):
    #權重製造一些隨機的噪聲來打破完全對稱，比如截斷的正態分佈噪聲，標準差設為 0.1
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)


def bias_variable(shape):
    # 偏置項使用極小值初始化，防止Relu出現死亡節點（dead neuron）
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)


#定義卷積層和池化層  接下來重複使用的
# tf.nn.conv2d是TensorFlow中的2維卷積函式
# x 輸入 ， W 卷積的引數，比如[5,5,1,32] 前兩個表示卷積核的尺寸，第三個引數表示有多少個channel，灰度單色為1 ，彩色rgb為3，（即depth），第四個引數表示卷積核的數量
# strides 卷積模板移動的步長
# padding 邊界的處理方式，same 讓卷積的輸入和輸出保持同樣的尺寸
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# 使用2*2的最大池化 tf.nn.max_pool
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')


########正式設計卷積神經網路之前先定義placeholder########
# x是特徵，y_是真實label。因為卷積神經網路是會用到2D的空間資訊，所以要把784維的資料恢復成28*28的結構，將圖片資料從1D轉為2D。使用tensor的變形函式tf.reshape
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
x_image = tf.reshape(x,[-1,28,28,1])# -1 代表樣本數量不固定 1 代表顏色通道數量


########設計卷積神經網路########
# 第一層卷積
# 卷積核尺寸為5*5,1個顏色通道，32個不同的卷積核
W_conv1 = weight_variable([5, 5, 1, 32])
# 用conv2d函式進行卷積操作，加上偏置
b_conv1 = bias_variable([32])
# 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，
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 對卷積的輸出結果進行池化操作
h_pool1 = max_pool_2x2(h_conv1)


# 第二層卷積（和第一層大致相同，卷積核為64，這一層卷積會提取64種特徵）
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)


# 全連線層。經過兩次最大化步長2*2，邊長由28*28變為 7*7，而第二個卷積層的卷積核數量為24，所以其輸出的tensor尺寸為7*7*64，使用reshape進行變形，將其轉換為1D,然後連線一個全連線層，隱含節點數1024。使用ReLU啟用函式
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)


# 為了防止過擬合，在輸出層之前加Dropout層
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 輸出層。新增一個softmax層，就像softmax regression一樣。得到概率輸出。
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)


########模型訓練設定########
# 定義loss function為cross entropy，優化器使用Adam，並給予一個比較小的學習速率1e-4
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)


# 定義評測準確率的操作
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


########開始訓練過程########
# 初始化所有引數
tf.global_variables_initializer().run()


# 訓練（設定訓練時Dropout的kepp_prob比率為0.5。mini-batch為50，進行2000次迭代訓練，參與訓練樣本5萬）
# 其中每進行100次訓練，對準確率進行一次評測keep_prob設定為1，用以實時監測模型的效能
for i in range(1000):
  batch = mnist.train.next_batch(50)
  if i%100 == 0:
    train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})
    print("-->step %d, training accuracy %.4f"%(i, train_accuracy))
  train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
# 全部訓練完成之後，在最終測試集上進行全面測試，得到整體的分類準確率
  print("卷積神經網路在MNIST資料集正確率: %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))