用tensorflow 做mnist数字识别（卷积神经网络）

简述

1. 使用卷积神经网络做数字识别；

2. 训练方法；
   前三部分是卷积和神经网络的构造，最后一部分是tensorflow的会话部分，会话部分要将数据集分为大概100个一份的数据集，一份一份的喂进卷积入口，原数据集有5万个数据，这样就能进行500次的反向传播，以更新参数，再做20次循环，可以更新一万次，这比一次喂进5万个数据只更新20次要好的多！务必牢记这个训练方法。

代码

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("./",one_hot=True)#输入输出层---------------------------------------------------------------------------#batch_size=100n_batch=mnist.train.num_examples//batch_size
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
x_image = tf.reshape(x,[-1,28,28,1])#卷积层---------------------------------------------------------------------------#W_conv1 = tf.Variable(tf.truncated_normal([5,5,1,32],stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1,shape=[32]))
h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image,W_conv1,strides=[1,1,1,1],padding='SAME')+b_conv1)
h_pool1 = tf.nn.max_pool(h_conv1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

W_conv2 = tf.Variable(tf.truncated_normal([5,5,32,64],stddev=0.1))
b_conv2 = tf.Variable(tf.constant(0.1,shape=[64]))
h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1,W_conv2,strides=[1,1,1,1],padding='SAME')+b_conv2)
h_pool2 = tf.nn.max_pool(h_conv2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])#神经网络层---------------------------------------------------------------------------#W_fc1 = tf.Variable(tf.truncated_normal([7*7*64,1024],stddev=0.1))
b_fc1 = tf.Variable(tf.constant(0.1,shape=[1024]))
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

W_fc2 = tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
b_fc2 = tf.Variable(tf.constant(0.1,shape=[10]))
prediction = tf.nn.relu(tf.matmul(h_fc1_drop,W_fc2) + b_fc2)

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#会话---------------------------------------------------------------------------#with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())    for epoch in range(10):        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print("Iter "+str(epoch)+", Testing Accuracy= "+str(acc))

输出

Iter 0, Testing Accuracy= 0.9578
Iter 1, Testing Accuracy= 0.9728
Iter 2, Testing Accuracy= 0.9788
Iter 3, Testing Accuracy= 0.984
Iter 4, Testing Accuracy= 0.9856
Iter 5, Testing Accuracy= 0.9871
Iter 6, Testing Accuracy= 0.9864
Iter 7, Testing Accuracy= 0.9893
Iter 8, Testing Accuracy= 0.9896
Iter 9, Testing Accuracy= 0.9899

识别准确率达到了98.99%

作者：圣_狒司机
链接：https://www.jianshu.com/p/129a8eddd23d