本文實例為大家分享了TensorFlow實現卷積神經網絡的具體代碼，供大家參考，具體內容如下

代碼（源代碼都有詳細的注釋）和數據集可以在github下載：

# -*- coding: utf-8 -*-'''卷積神經網絡測試MNIST數據'''#########導入MNIST數據########from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets('MNIST_data/', one_hot=True)# 創建默認InteractiveSessionsess = tf.InteractiveSession()#########卷積網絡會有很多的權重和偏置需要創建，先定義好初始化函數以便復用######### 給權重制造一些隨機噪聲打破完全對稱（比如截斷的正態分布噪聲，標準差設為0.1）def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)# 因為我們要使用ReLU，也給偏置增加一些小的正值（0.1）用來避免死亡節點（dead neurons）def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)########卷積層、池化層接下來重復使用的，分別定義創建函數######### tf.nn.conv2d是TensorFlow中的2維卷積函數def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')# 使用2*2的最大池化def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')########正式設計卷積神經網絡之前先定義placeholder######### x是特征，y_是真實label。將圖片數據從1D轉為2D。使用tensor的變形函數tf.reshapex = tf.placeholder(tf.float32, shape=[None, 784])y_ = tf.placeholder(tf.float32, shape=[None, 10])x_image = tf.reshape(x,[-1,28,28,1])########設計卷積神經網絡######### 第一層卷積# 卷積核尺寸為5*5,1個顏色通道，32個不同的卷積核W_conv1 = weight_variable([5, 5, 1, 32])# 用conv2d函數進行卷積操作，加上偏置b_conv1 = bias_variable([32])# 把x_image和權值向量進行卷積，加上偏置項，然后應用ReLU激活函數，h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)# 對卷積的輸出結果進行池化操作h_pool1 = max_pool_2x2(h_conv1)# 第二層卷積（和第一層大致相同，卷積核為64，這一層卷積會提取64種特征）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)# 全連接層。隱含節點數1024。使用ReLU激活函數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)# 為了防止過擬合，在輸出層之前加Dropout層keep_prob = tf.placeholder(tf.float32)h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# 輸出層。添加一個softmax層，就像softmax regression一樣。得到概率輸出。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)########模型訓練設置######### 定義loss function為cross entropy，優化器使用Adam，并給予一個比較小的學習速率1e-4cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)# 定義評測準確率的操作correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))########開始訓練過程######### 初始化所有參數tf.global_variables_initializer().run()# 訓練（設置訓練時Dropout的kepp_prob比率為0.5。mini-batch為50，進行2000次迭代訓練，參與訓練樣本5萬）# 其中每進行100次訓練，對準確率進行一次評測keep_prob設置為1，用以實時監測模型的性能for i in range(1000): batch = mnist.train.next_batch(50) if i%100 == 0:  train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})  print "-->step %d, training accuracy %.4f"%(i, train_accuracy) train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})# 全部訓練完成之后，在最終測試集上進行全面測試，得到整體的分類準確率print "卷積神經網絡在MNIST數據集正確率: %g"%accuracy.eval(feed_dict={  x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})