这一次将会带领大家实现mnist的手写数字识别，手把手教会你如何使用TensorFlow进行基本的操作。本次课程中，将会事无巨细地深入讲解每一个操作细节，为每一位读者提供最贴心的服务。
准备工作
安装TensorFlow我就不多说了，主要是mnist数据集的获取一般都会有些问题。你可能会遇到input_data.py文件下载不下来，又或是下载input_data.py之后运行会报错，又或是使用tensorflow.examples.tutorials.mnist 里自带的input_data.py报错。
解决方法如下：
1、Input_data.py文件需要修改一下下才能正常使用，在37行的“return
numpy.frombuffer(bytestream.read(4), dtype=dt)”：末尾处添加“[0]”，变成“return
numpy.frombuffer(bytestream.read(4), dtype=dt)[0]”
2、由于网络问题或其他一些未知原因，input_data下载、解压mnist数据集时会报错，这时你只要自己手动下载好数据集（四个压缩包）放到工作空间的MNIST_data文件夹里就行，就能绕开报错问题。
流程讲解大致流程分为三步：
1、构建CNN网络结构；
2、构建loss function，配置寻优器；
3、训练、测试。
神经网络总体结构概览：
本教程中使用了两个卷积层+池化层，最后接上两个全连接层。
第一层卷积使用32个3x3x1的卷积核，步长为1，边界处理方式为“SAME”（卷积的输入和输出保持相同尺寸），激发函数为Relu，后接一个2x2的池化层，方式为最大化池化；
第二层卷积使用50个3x3x32的卷积核，步长为1，边界处理方式为“SAME”，激发函数为Relu， 后接一个2x2的池化层，方式为最大化池化；
第一层全连接层：使用1024个神经元，激发函数依然是Relu。
第二层全连接层：使用10个神经元，激发函数为softmax，用于输出结果。
代码概览：
import input_data
import tensorflow as tf
#读取数据
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
sess=tf.InteractiveSession()
#构建cnn网络结构
#自定义卷积函数（后面卷积时就不用写太多）
def conv2d(x,w):
return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
#自定义池化函数
def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#设置占位符，尺寸为样本输入和输出的尺寸
x=tf.placeholder(tf.float32,[None,784])
y_=tf.placeholder(tf.float32,[None,10])
x_img=tf.reshape(x,[-1,28,28,1])
#设置第一个卷积层和池化层
w_conv1=tf.Variable(tf.truncated_normal([3,3,1,32],stddev=0.1))
b_conv1=tf.Variable(tf.constant(0.1,shape=[32]))
h_conv1=tf.nn.relu(conv2d(x_img,w_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)
#设置第二个卷积层和池化层
w_conv2=tf.Variable(tf.truncated_normal([3,3,32,50],stddev=0.1))
b_conv2=tf.Variable(tf.constant(0.1,shape=[50]))
h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)
#设置第一个全连接层
w_fc1=tf.Variable(tf.truncated_normal([7*7*50,1024],stddev=0.1))
b_fc1=tf.Variable(tf.constant(0.1,shape=[1024]))
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*50])
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)
#dropout（随机权重失活）
keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
#设置第二个全连接层
w_fc2=tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
b_fc2=tf.Variable(tf.constant(0.1,shape=[10]))
y_out=tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2)+b_fc2)
#建立loss function，为交叉熵
loss=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_out),reduction_indices=[1]))
#配置Adam优化器，学习速率为1e-4
train_step=tf.train.AdamOptimizer(1e-4).minimize(loss)
#建立正确率计算表达式
correct_prediction=tf.equal(tf.argmax(y_out,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#开始喂数据，训练
tf.global_variables_initializer().run()
for i in range(20000):
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})
print "step %d,train_accuracy= %g"%(i,train_accuracy)
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
#训练之后，使用测试集进行测试，输出最终结果
print "test_accuracy= %g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1})代码逐段解析：
1.
#自定义卷积函数（后面就不用写太多）
def conv2d(x,w):
return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
#自定义池化函数
def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')卷积步长为1，如要改成步长为2则strides=[1,2,2,1]，只有中间两个是有效的（对于二维图来说），使用‘SAME’的padding方法（即输出与输入保持相同尺寸，边界处少一两个像素则自动补上）；池化层的设置也类似，池化尺寸为2X2。
2.
#设置占位符，尺寸为样本输入和输出的尺寸 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder(tf.float32,[None,10]) x_img=tf.reshape(x,[-1,28,28,1])
设置输入输出的占位符，占位符是向一个会话中喂数据的入口，因为TensorFlow的使用中，通过构建计算图来设计网络，而网络的运行计算则在会话中启动，这个过程我们无法直接介入，需要通过placeholder来对一个会话进行数据输入。
占位符设置好之后，将x变形成为28x28是矩阵形式（tf.reshape()函数）。
3.
#设置第一个卷积层和池化层 w_conv1=tf.Variable(tf.truncated_normal([3,3,1,32],stddev=0.1)) b_conv1=tf.Variable(tf.constant(0.1,shape=[32])) h_conv1=tf.nn.relu(conv2d(x_img,w_conv1)+b_conv1) h_pool1=max_pool_2x2(h_conv1) #设置第二个卷积层和池化层 w_conv2=tf.Variable(tf.truncated_normal([3,3,32,50],stddev=0.1)) b_conv2=tf.Variable(tf.constant(0.1,shape=[50])) h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2) h_pool2=max_pool_2x2(h_conv2)
第一层卷积使用3x3x1的卷积核，一共有32 个卷积核，权值使用方差为0.1的截断正态分布（指最大值不超过方差两倍的分布）来初始化，偏置的初值设定为常值0.1。
第二层卷积和第一层类似，卷积核尺寸为3x3x32（32是通道数，因为上一层使用32个卷积核，所以这一层的通道数就变成了32），这一层一共使用50个卷积核，其他设置与上一层相同。
每一层卷积完之后接上一个2x2的最大化池化操作。
4.
#设置第一个全连接层 w_fc1=tf.Variable(tf.truncated_normal([7*7*50,1024],stddev=0.1)) b_fc1=tf.Variable(tf.constant(0.1,shape=[1024])) h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*50]) h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1) #dropout（随机权重失活） keep_prob=tf.placeholder(tf.float32) h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob) #设置第二个全连接层 w_fc2=tf.Variable(tf.truncated_normal([1024,10],stddev=0.1)) b_fc2=tf.Variable(tf.constant(0.1,shape=[10])) y_out=tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2)+b_fc2)
卷积层之后就是两个全连接层，第一个全连接层有1024个神经元，先将卷积层得到的2x2输出展开成一长条，使用Relu激活函数得到输出，输出为1024维。
Dropout：在这一层使用dropout（权值随机失活），对一些神经元突触连接进行强制的置零，这个trick可以防止神经网络过拟合。这里的dropout的保留比例是0.5，即随机地保留一半权值，删除另外一半（不要觉得可惜，为了保证在测试集上的效果，这是必须的）。Dropout比例通过placeholder来设置，因为训练过程中需要dropout，但是在最后的测试过程中，我们又希望使用全部的权值，所以dropout的比例要能够改变，所以这里使用placeholder。
第二个全连接层有10个神经元，分别对应0-9这10个数字（没错，这一层终于要得到最终的识别结果了），不过与之前的每一层不同的是，这里使用的激活函数是Softmax，关于softmax，我的个人理解是softmax是“以指数函数作为核函数的归一化操作”，softmax与一般归一化操作不同的是，指数函数能够放大一个分布内各个数值的差异，能够使各个数值的“贫富差距”变大，“两极分化”现象会更明显（对同一个分布进行一般的归一化得到的分布和softmax得到的分布，softmax得到的分布信息熵要更大）
5.
#建立loss function，为交叉熵 loss=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_out),reduction_indices=[1])) #配置Adam优化器，学习速率为1e-4 train_step=tf.train.AdamOptimizer(1e-4).minimize(loss) #建立正确率计算表达式 correct_prediction=tf.equal(tf.argmax(y_out,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
建立loss function是很重要的一个过程，这里使用交叉熵来作为loss，交叉熵是用来衡量两个分布的相似程度的，两个分布越接近，则交叉熵越小。
使用Adam优化器来最小化loss，配置学习速率为1e-4。然后建立正确率的计算表达式（注意，仅仅是建立而已，现在还没有开始真正的计算），tf.argmax(y_,1)，函数用来返回其中最大的值的下标，tf.equal()用来计算两个值是否相等。tf.cast()函数用来实现数据类型转换（这里是转换为float32），tf.reduce_mean()用来求平均（得到正确率）。
6.
#开始喂数据，训练
tf.global_variables_initializer().run()
for i in range(20000):
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})
print "step %d,train_accuracy= %g"%(i,train_accuracy)
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})#这里才开始真正进行训练计算接下来就是喂数据了，对网络进行训练了，首先使用tf.global_variables_initializer().run()初始化所有数据，从mnist训练数据集中一次取50个样本作为一组进行训练，一共进行20000组训练，每100次就输出一次该组数据上的正确率。
进行训练计算的方式是：train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})，通过feed_dict来对会话输送训练数据（以及其他一些想在计算过程中实时调整的参数，比如dropout比例）。
这段代码中可以看到，训练时dropout的保留比例是0.5，测试时的保留比例是1。
7.
#训练之后，使用测试集进行测试，输出最终结果
Print "test_accuracy= %g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1})最后输入测试数据集进行测试验证，把代码跑起来看看结果吧。
接下来就是喂数据了，对网络进行训练了，首先使用tf.global_variables_initializer().run()初始化所有数据，从mnist训练数据集中一次取50个样本作为一组进行训练，一共进行20000组训练，每100次就输出一次该组数据上的正确率。
进行训练计算的方式是：train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})，通过feed_dict来对会话输送训练数据（以及其他一些想在计算过程中实时调整的参数，比如dropout比例）。
这段代码中可以看到，训练时dropout的保留比例是0.5，测试时的保留比例是1。
运行结果
最后的运行结果长这样（测试集上的准确率为99.21%，还不错）：
Extracting MNIST_data/train-images-idx3-ubyte.gz Extracting MNIST_data/train-labels-idx1-ubyte.gz Extracting MNIST_data/t10k-images-idx3-ubyte.gz Extracting MNIST_data/t10k-labels-idx1-ubyte.gz step 0,train_accuracy= 0.1 step 100,train_accuracy= 0.76 step 200,train_accuracy= 0.9 step 300,train_accuracy= 0.84 step 400,train_accuracy= 0.98 …… …… …… step 19600,train_accuracy= 1 step 19700,train_accuracy= 0.98 step 19800,train_accuracy= 1 step 19900,train_accuracy= 1 test_accuracy= 0.9921