CNN卷积神经网络TensorFlow代码

from __future__ import print_function

import tensorflow as tf

# Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets（“/tmp/data/“ one_hot=True）

# Parameters
learning_rate = 0.001
training_iters = 200000
batch_size = 128
display_step = 10

# Network Parameters
n_input = 784 # MNIST data input （img shape: 28*28）
n_classes = 10 # MNIST total classes （0-9 digits）
dropout = 0.75 # Dropout probability to keep units

# tf Graph input
x = tf.placeholder（tf.float32 [None n_input]）
y = tf.placeholder（tf.float32 [None n_classes]）
keep_prob = tf.placeholder（tf.float32） #dropout （keep probability）


# Create some wrappers for simplicity
def conv2d（x W b strides=1）:
    # Conv2D wrapper with bias and relu activation
    x = tf.nn.conv2d（x W strides=[1 strides strides 1] padding=‘SAME‘）
    x = tf.nn.bias_add（x b）
    return tf.nn.relu（x）


def maxpool2d（x k=2）:
    # MaxPool2D wrapper
    return tf.nn.max_pool（x ksize=[1 k k 1] strides=[1 k k 1]
                          padding=‘SAME‘）


# Create model
def conv_net（x weights biases dropout）:
    # Reshape input picture
    x = tf.reshape（x shape=[-1 28 28 1]）

    # Convolution layer
    conv1 = conv2d（x weights[‘wc1‘] biases[‘bc1‘]）
    # Max Pooling （down-sampling）
    conv1 = maxpool2d（conv1 k=2）

    # Convolution layer
    conv2 = conv2d（conv1 weights[‘wc2‘] biases[‘bc2‘]）
    # Max Pooling （down-sampling）
    conv2 = maxpool2d（conv2 k=2）

    # Fully connected layer
    # Reshape conv2 output to fit fully connected layer input
    fc1 = tf.reshape（conv2 [-1 weights[‘wd1‘].get_shape（）.as_list（）[0]]）
    fc1 = tf.add（tf.matmul（fc1 weights[‘wd1‘]） biases[‘bd1‘]）
    fc1 = tf.nn.relu（fc1）
    # Apply Dropout
    fc1 = tf.nn.dropout（fc1 dropout）

    # Output class prediction
    out = tf.add（tf.matmul（fc1 weights[‘out‘]） biases[‘out‘]）
    return out

# Store layers weight & bias
weights = {
    # 5x5 conv 1 input 32 outputs
    ‘wc1‘: tf.Variable（tf.random_normal（[5 5 1 32]））
    # 5x5 conv 32 inputs 64 outputs
    ‘wc2‘: tf.Variable（tf.random_normal