先看代碼

#tf可以認為是全局變量，從該變量為類，從中取input_data變量 import tensorflow.examples.tutorials.mnist.input_data as input_data import tensorflow as tf #讀取數(shù)據(jù)集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) """ #softmax方法進行訓(xùn)練 #這里是變量的占位符，一般是輸入輸出使用該部分 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder("float",[None,10])#定義參數(shù)變量 W=tf.Variable(tf.zeros([784,10])) b=tf.Variable(tf.zeros([10])) y=tf.nn.softmax(tf.matmul(x,W)+b)#評價函數(shù) cross_entropy=-tf.reduce_sum(y_*tf.log(y)) train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)#啟動模型,Session建立這樣一個對象，然后指定某種操作，并實際進行該步 init=tf.initialize_all_variables() sess=tf.Session() sess.run(init)#數(shù)據(jù)讀取部分 for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#run第一個參數(shù)是fetch，可以是tensor也可以是Operation，第二個feed_dict是替換tensor的值sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})print(batch_xs,batch_ys,i)correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))"""#這里用CNN方法進行訓(xùn)練 #函數(shù)定義部分 def weight_variable(shape):initial=tf.truncated_normal(shape,stddev=0.1)#隨機權(quán)重賦值，不過truncated_normal代表如果是2倍標準差之外的結(jié)果重新選取該值return tf.Variable(initial)def bias_variable(shape):initial=tf.constant(0.1,shape=shape)#偏置項return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示輸出補邊，這里輸出與輸入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化范圍的大小，stride為掃描步長# 這里是變量的占位符，一般是輸入輸出使用該部分 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder("float",[None,10]) x_image=tf.reshape(x,[-1,28,28,1])#-1表示自動計算該維度 #建立第一層 W_conv1=weight_variable([5,5,1,32]) b_conv1=bias_variable([32]) h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1) h_pool1=max_pool_2x2(h_conv1) #第二層 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)#第三層，而且這里是全連接層 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) #dropout，注意這里也是有一個輸入?yún)?shù)的，和x以及y一樣 keep_prob=tf.placeholder(tf.float32) h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)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)# 評價函數(shù) cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv)) train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))# 啟動模型,Session建立這樣一個對象，然后指定某種操作，并實際進行該步 init=tf.initialize_all_variables() sess=tf.Session() sess.run(init)#數(shù)據(jù)讀取部分 for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#這里貌似是代表讀取50張圖像數(shù)據(jù)#run第一個參數(shù)是fetch，可以是tensor也可以是Operation，第二個feed_dict是替換tensor的值'''if i % 10 == 0:train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})print("step:%d,accuracy:%g" % (i, train_accuracy))'''sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一個參數(shù)是想要運行的位置，一般有train，accuracy，initdeng#第二個參數(shù)feed_dict，一般是輸入?yún)?shù)，該代碼里有x，y以及drop的參數(shù)if i%20==0 :print(i)print("train accuracy:%g"%sess.run(accuracy, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})) print("test accuracy:%g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1}))

運行結(jié)果：

?

說明一下代碼結(jié)構(gòu)：

1.數(shù)據(jù)的讀取（讀取直接用MNIST，MNIST的數(shù)據(jù)結(jié)構(gòu)x是一維的圖像，size為(1,28*28)，y是一維向量，size為（1,10）,只要將數(shù)據(jù)的讀取部分單獨取出，就可以有比較清晰的代碼了）

2.結(jié)構(gòu)的建立（一般利用函數(shù)去定義池化等操作，這樣能夠有比較清晰的代碼結(jié)構(gòu)）

3.結(jié)構(gòu)保存及測試（訓(xùn)練完數(shù)據(jù)后需要存儲網(wǎng)絡(luò)結(jié)構(gòu)，該部分本文沒有說明，正在學(xué)習(xí)）

本文作者也只是剛剛接觸，針對實際項目會關(guān)注的一些問題，進行注釋說明，如有錯誤，請指出說明

http://www.jeyzhang.com/tensorflow-learning-notes-2.html本鏈接的教程也比較清晰

?

總結(jié)

以上是生活随笔為你收集整理的tensorflow学习（1.CNN简单实现MNIST）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。