import  tensorflow as tf#9.50  from tensorflow.examples.tutorials.mnist import input_data  #载入数据集  mnist=input_data.read_data_sets("MNNIST_data",one_hot=True)#下载网上的数据集  #print(mnist)  #每个批次的大小,每次放入100张图片放入神经网络训练。  batch_size=100  #计算一共有多少批次  n_bach=mnist.train.num_examples//batch_size#//整除  #初始化权值  def weight_variable(shape):      inital=tf.truncated_normal(shape,stddev=0.1)      return tf.Variable(inital)  #初始化偏置值  def bias_variable(shape):      initial=tf.constant(0.1,shape=shape)      return tf.Variable(initial)  #卷积层  def conv2d(x,W):      return  tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')      #使用了这个库,tf.nn.conv2d  #池化层  def max_pool_2(x):      return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')  #定义两个placeholder  x=tf.placeholder(tf.float32,[None,784])#784列  y=tf.placeholder(tf.float32,[None,10])#0-9,10个数字  #改变x的格式转为4d向量[batch，in_height,in_width,in_channels]  x_image=tf.reshape(x,[-1,28,28,1])    #初始化第一个卷积层的权值和偏置值  W_conv1=weight_variable([5,5,1,32])#采用5*5的采样窗口，32个卷积核从1个平面抽取特征  b_conv1=bias_variable([32])#每个卷积核一个偏置值  #把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数  h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)  h_pool1=max_pool_2(h_conv1)#进行max-pooling    #初始化第二个卷积层的权值和偏置值  W_conv2=weight_variable([5,5,32,64])#采用5*5的采样窗口，32个卷积核从1个平面抽取特征  b_conv2=bias_variable([64])#每个卷积核一个偏置值  #把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数  h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)  h_pool2=max_pool_2(h_conv2)#进行max-pooling    #初始化第一个全连接的权值  W_fcl=weight_variable([7*7*64,1024])#上一场有7*7*64个神经元，全连接层有1024个神经元  b_fcl=bias_variable([1024])#1024个节点  #把池化层2的输出扁平化维一维  h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])  #求第一个全连接的输出  h_fcl=tf.nn.relu(tf.matmul(h_pool2_flat,W_fcl)+b_fcl)  #keep_prob表示神经元的输出概率  keep_prob=tf.placeholder(tf.float32)  h_fcl_drop=tf.nn.dropout(h_fcl,keep_prob)    #初始化第二个全连接层  W_fc2=weight_variable([1024,10])  b_fc2=bias_variable([10])  #计算输出  prediction=tf.nn.softmax(tf.matmul(h_fcl_drop,W_fc2)+b_fc2)  #交叉熵代价函数  cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))  #使用Adamoptimizer进行优化  train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  #结果存放在一个布尔列表中  correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))#argmax返回一维张量中最大值所在位置  #求准确率  accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))  with tf.Session()as sess:      sess.run(tf.global_variables_initializer())      #把所有图片训练21次      for epoch in range(21):          # 执行一次，即为把训练集的所有图片循环一次          for batch in range(n_bach):              #获取100张图片，图片数据保存在_xs,标签保存在ys              batch_xs,batchys=mnist.train.next_batch(batch_size)              sess.run(train_step,feed_dict={x:batch_xs,y:batchys,keep_prob:0.7})          #传进测试集，数据集的数据          acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})          print("第"+str(epoch)+"准确率："+str(acc))