如何用Tensorflow实现增强版本的Mnist手写识别网络模型

上一个阶段构造的简单模型训练后，只有91%正确率。本文章讲解如何用一个稍微复杂的模型：卷积神经网络来提升效果。
下面是效果图：

图1

具体的步骤为：

首先完成准备工作：

import input_data
import tensorflow as tf
#导入数据
mnist = input_data.read_data_sets('MNIST_data', one_hot = True)
#设置占位符和输入数据的格式
x = tf.placeholder("float", shape = [None, 784])
y = tf.placeholder("float' shape = [None, 10])

#784=>>28*28, 最后一维代表图片的颜色通道数,这里是灰度图为1,如果是rgb彩色图，则为3.
x_image = tf.reshape(x, [-1,28,28,1]) #

定义权重初始化函数

在初始化W和b时应该加入少量的噪声来打破对称性以及避免0梯度。为了不在建立模型的时候反复做初始化操作，定义两个函数用于初始化：

#其实现在的W就是卷积核（filters），是不断学习的参数
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev = 0.1) # 从正态分布中取样，stddev表示标准差
    return tf.Variable(initial)

def bias_variable(shaple):
    initial = tf.constant(0.1, shape = shape)
    return tf.Variable(initial)

定义卷积和池化函数