學習都是由淺入深而學習的

小編接下來會講如何建立一個CNN網路

然後調用tensorflow 內建 mnist 數據庫學習

在那之前，小編先介紹怎麼調用數據庫

MNIST 是個鼎鼎有名的手寫辨識庫

每張圖片都是28*28 pixel

分別對應到數字 0~9

所以總共有10個 laybel

小編接下來講解 tensorflow 官網的代碼

#引用函數
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

# Import data
from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

#設定資料儲存地方

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_string(‘data_dir’, ‘/tmp/data/’, ‘Directory for storing data’)

#如果電腦沒有數據庫的話，開始執行下載

mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

sess = tf.InteractiveSession()

# 建造模型 這裡的模型就只是一個輸入神經元為784 輸出為10個神經元的網路  採用softmax 當激活函數

x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 定義loss function 和優化器
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 開始訓練囉~
tf.initialize_all_variables().run()
for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)

  #把我們剛剛設定的placeholder 開始丟資料進去
  train_step.run({x: batch_xs, y_: batch_ys})
  

# 訓練完後 測試準確度

# correct_prediction 出來是boolean 資料 有相等就是1 沒有就是0
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

#經由cast 轉變為float32的型式，然後reduce_mean 取準確度

#例如 總共有90個1，10個0 經由reduce_mean 會把所有數字加起來除以總共個數 也就是90/100=0.9
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

#採用eval 方式 列印出來
print (accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

結果圖：

還沒加CNN 準確度就有91%了呢~~