一份基于cnn的手写数字自识别的代码，供大家参考，具体内容如下

# -*- coding: utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 加载数据集mnist = input_data.read_data_sets('MNIST_data', one_hot=True)# 以交互式方式启动session# 如果不使用交互式session，则在启动session前必须# 构建整个计算图，才能启动该计算图sess = tf.InteractiveSession()"""构建计算图"""# 通过占位符来为输入图像和目标输出类别创建节点# shape参数是可选的，有了它tensorflow可以自动捕获维度不一致导致的错误x = tf.placeholder("float", shape=[None, 784]) # 原始输入y_ = tf.placeholder("float", shape=[None, 10]) # 目标值# 为了不在建立模型的时候反复做初始化操作，# 我们定义两个函数用于初始化def weight_variable(shape): # 截尾正态分布,stddev是正态分布的标准偏差 initial = tf.truncated_normal(shape=shape, stddev=0.1) return tf.Variable(initial)def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)# 卷积核池化,步长为1,0边距def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')"""第一层卷积"""# 由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征，是因为使用32个滤波器进行卷积# 卷积的权重张量形状是[5, 5, 1, 32],1是输入通道的个数，32是输出通道个数W_conv1 = weight_variable([5, 5, 1, 32])# 每一个输出通道都有一个偏置量b_conv1 = bias_variable([32])# 位了使用卷积，必须将输入转换成4维向量，2、3维表示图片的宽、高# 最后一维表示图片的颜色通道（因为是灰度图像所以通道数维1，RGB图像通道数为3）x_image = tf.reshape(x, [-1, 28, 28, 1])# 第一层的卷积结果,使用Relu作为激活函数h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))# 第一层卷积后的池化结果h_pool1 = max_pool_2x2(h_conv1)"""第二层卷积"""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)"""全连接层"""# 图片尺寸减小到7*7，加入一个有1024个神经元的全连接层W_fc1 = weight_variable([7*7*64, 1024])b_fc1 = bias_variable([1024])# 将最后的池化层输出张量reshape成一维向量h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])# 全连接层的输出h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)"""使用Dropout减少过拟合"""# 使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率# 在训练的过程中启用dropout，在测试过程中关闭dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)"""输出层"""W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])# 模型预测输出y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)# 交叉熵损失cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))# 模型训练,使用AdamOptimizer来做梯度最速下降train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)# 正确预测,得到True或False的Listcorrect_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))# 将布尔值转化成浮点数，取平均值作为精确度accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))# 在session中先初始化变量才能在session中调用sess.run(tf.global_variables_initializer())# 迭代优化模型for i in range(2000): # 每次取50个样本进行训练 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}) # 模型中间不使用dropout print("step %d, training accuracy %g" % (i, train_accuracy)) train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob: 0.5})print("test accuracy %g" % accuracy.eval(feed_dict={ x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

做了2000次迭代，在测试集上的识别精度能够到0.9772……

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。