本文使用的數據集是MNIST，主要使用兩個卷積層加一個全連接層構建的卷積神經網絡。

先載入MNIST數據集（手寫數字識別集），并創建默認的Interactive Session（在沒有指定回話對象的情況下運行變量）

from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) sess = tf.InteractiveSession(）

在定義一個初始化函數，因為卷積神經網絡有很多權重和偏置需要創建。

def weight_variable(shape):  initial = tf.truncated_normal(shape, stddev=0.1)#給權重制造一些隨機的噪聲來打破完全對稱，  return tf.Variable(initial) #使用relu，給偏置增加一些小正值0.1，用來避免死亡節點 def bias_variable(shape):  initial = tf.constant(0.1, shape=shape)  return tf.Variable(initial) 

卷積移動步長都是1代表會不遺漏的劃過圖片的每一個點，padding代表邊界處理方式，same表示給邊界加上padding讓卷積的輸出和輸入保持同樣的尺寸。

def conv2d(x,W):#2維卷積函數，x輸入，w是卷積的參數，strides代表卷積模板移動步長  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  def max_pool_2x2(x):  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],        padding='SAME') 

在正式設計卷積神經網絡結構前，先定義輸入的placeholder(類似于c++的cin，要求用戶運行時輸入)。因為卷積神經網絡會利用到空間結構信息，因此需要將一維的輸入向量轉換為二維的圖片結構。同時因為只有一個顏色通道，所以最后尺寸為【-1, 28，28， 1]，-1代表樣本數量不固定，1代表顏色通道的數量。

這里的tf.reshape是tensor變形函數。

x = tf.placeholder(tf.float32, [None, 784])# x 時特征 y_ = tf.placeholder(tf.float32, [None, 10])# y_時真實的label x_image = tf.reshape(x, [-1, 28, 28,1]) 

接下來定義第一個卷積層。

w_conv1 = weight_variable([5, 5, 1, 32])#代表卷積核尺寸為5X5，1個顏色通道，32個不同的卷積核，使用conv2d函數進行卷積操作， b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) 

定義第二個卷積層，與第一個卷積層一樣，只不過卷積核的數量變成了64，即這層卷積會提取64種特征

w_conv2 = weight_variable([5, 5, 32, 64])#這層提取64種特征 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) 

經過兩次步長為2x2的最大池化，此時圖片尺寸變成了7x7，在使用tf.reshape函數，對第二個卷積層的輸出tensor進行變形，將其從二維轉為一維向量，在連接一個全連接層（隱含節點為1024），使用relu激活函數。