不啰嗦了，直接上代码和运行结果吧。
代码和运行结果
import tensorflow as tf
import input_data #可以自己下载这个py文件放在当前目录下
import os
import time
os.environ['TF_CPP_MIN_LOG_LEVEL']='2' #不加这个，macOS系统会有好几个警告，但是不影响程序运行
start_time = time.time()
print('开始时间: ',time.strftime("%Y-%m-%d %H:%M:%S",time.localtime()))
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
batch_size = 100 #可以自己定义此值
n_batch = 55000//batch_size #train文件有55000张图片
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
def Weight_variable(shape):
initial = tf.truncated_normal(shape=shape,mean=0,stddev=0.1)#这个叫截断的正太分布，只取正负两倍的标准差中间的值
return tf.Variable(initial)
def biases_variable(shape):
#给偏置一个正数是因为后面会用到relu神经元，防止relu神经元掉入0梯度区域坏死
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial)
def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
def max_pooling(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME")
#第一层卷积,32个5x5大小的卷积核
#卷积层的输入
x_image = tf.reshape(x,[-1,28,28,1])
#卷积层的参数
W_conv1 = Weight_variable(shape=[5,5,1,32]) #输入通道为1，输出通道为32，具体表现为‘图片’变厚了
b_conv1 = biases_variable(shape=[32])
#卷积层的输出
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
#卷积层后面连接一个池化层
h_pool1 = max_pooling(h_conv1)
#第二层卷积，只用了两个卷积核
W_conv2 = Weight_variable(shape=[5,5,32,64])
b_conv2 = biases_variable(shape=[64])
h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)
h_pool2 = max_pooling(h_conv2)
h_pool2_out = tf.reshape(h_pool2,shape=[-1,7*7*64])#reshape一下，方便后面使用
#全连接层
W_fullconnection1 = Weight_variable(shape=[7*7*64,1024])
b_fullconnection1 = biases_variable(shape=[1024])
h_fullconnection1 = tf.nn.relu(tf.matmul(h_pool2_out,W_fullconnection1)+b_fullconnection1)
#dropout，防止过拟合
keep_prop = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fullconnection1,keep_prop)
#全连接输出层
W_fullconnection2 = Weight_variable([1024,10])
b_fullconnection2 = biases_variable([10])
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fullconnection2)+b_fullconnection2)
cross_entropy = -tf.reduce_sum(y*tf.log(prediction)) #交叉熵损失函数
#这里用AdamOptimizer的结果和GradientDescentOptimizer差不多。见最后一张图。
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y,axis=1),tf.argmax(prediction,axis=1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,dtype=tf.float32))#将bool值转化成数字
init = tf.global_variables_initializer()
saver = tf.train.Saver()#添加一个对象用来保存我们的模型
with tf.Session() as sess:
sess.run(init)
for step in range(1,30): #迭代29轮
for batch in range(n_batch):
x_data,y_label = mnist.train.next_batch(batch_size) #每次训练100张图片
sess.run(train_step,feed_dict={x:x_data,y:y_label,keep_prop:0.5})
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prop:1.0})
print('Iter'+ str(step) + ' ,Accuracy = ' + str(acc))
saver.save(sess,"model.ckpt") #保存到当前目录
print('保存成功')
end_time = time.time()
print('结束时间: ',time.strftime("%Y-%m-%d %H:%M:%S",time.localtime()))
print('总耗时：',end_time - start_time,' 秒')
可以看到大概运行了96分钟，对于这样一个输入层，两个卷积层，两个池化层，和两个全连接层的五层神经网络（一个卷积层加一个池化层常常被认为是一层）来说，运行速度并不算太慢。当然也主要是由于输入图片很小，只有28*28，而且还是单通道的灰度图。总的来说，99.24%的准确率虽然不是太高，但是也并不让人失望。
最后上两个图大家感受下对比下cpu使用情况和耗电排行。
sublime text和python的cpu占用情况和能耗远远超过其他应用，表面上风平浪静，实际上cpu在底下呼哧呼哧的全力跑着呢。
可惜电脑不能GPU加速，听说GPU加速用起来爽翻了，大家要是有可以用GPU加速跑程序的可以跑完告诉我一下运行时间。
其他的提高准确率的方法
1.扩展训练数据
训练数据其实是很昂贵的数据资源，想要增加有效的训练数据并不简单。但是还是有一些方法的，可以通过旋转，扭曲原图像得到新的图像来增加训练数据。还可以通过增加一些小的背景噪声来生成新的数据。
2.组合网络
也就是说，我们可以训练多个神经网络，虽然每个的准确率都差不多，比如说有5个神经网络的准确率都是99.2%，也就是10000个数据中有80个数据分类错误，但是可能每个神经网络错误的80个数据都不一样，A神经网络分类识别某个数为9，但其他四个神经网络有三个或者四个都识别为8，那么很可能这个数就是8了。就跟大家平时抄作业一样，每个人可能都有不会的，但是抄着抄着大家都会了。
