计算机视觉--Tensorflow对Mnist手写体数据集做手写体识别

实现手写体识别的原理和代码实现

1.原理简单介绍
本次实现的手写体识别，是通过卷积神经网络来实现的。
卷积神经网络的主要结构可以分成

卷积层
池化层
全连接层
卷积层： 使用卷积层，可以保持图像数据的形状不变，输入图像数据时，卷积层会以三维数据的形式接收输入数据，并且同样以三维数据输出至下一层。卷积层的作用类似图像处理之中的滤波处理
池化层： 池化层有三个特点：

1. 池化层和卷积层不同，没用要学习的参数，只是从目标区域中取最大值（平均值）
2. 池化层中数据数据和输出数据的通道数不会发生变化，计算是按通道独立进行的
3. 池化层对微小的位置变化具有鲁棒性

全连接层： 是网络最后在通过多次的卷积，池化操作之后，对提取出来的特征通过全连接层来实现分类输出。

下图是一张卷积神经网络的结构原理图：

首先输入的图像是3232 的图像，通过第一层卷积层，提到了2828的图像，将这张图像经过第一层池化层得到1414的图像，我们把卷积，池化层的组合叫做卷积组，通过两个卷积组，得到55的图像特征，放到后面的全连接层中，进行分类，得到其不同的类别。

代码：
import os
os.environ[“CUDA_VISIBLE_DEVICES”] = “-1”
import tensorflow as tf

#import numpy as np # 习惯加上这句，但这边没有用到
from tensorflow.examples.tutorials.mnist import input_data
#import matplotlib.pyplot as plt
mnist = input_data.read_data_sets(‘MNIST_data/’, one_hot=True)

sess = tf.InteractiveSession()

#1、权重初始化,偏置初始化
#为了创建这个模型，我们需要创建大量的权重和偏置项
#为了不在建立模型的时候反复操作，定义两个函数用于初始化
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1)#正太分布的标准差设为0.1
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial)

#2、卷积层和池化层也是接下来要重复使用的，因此也为它们定义创建函数
#tf.nn.conv2d是Tensorflow中的二维卷积函数，参数x是输入，w是卷积的参数
#strides代表卷积模块移动的步长，都是1代表会不遗漏地划