用tensorflow可以轻松的搭建卷积神经网络，layer层api的加入更是方便了整个过程。本文以mnist手写数字识别的训练为例，轻松挑战99%准确率。
准备
首先，导入必要的库和函数。
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data
载入mnist数据，注意这里input_data.read_data_sets的参数reshape=Fales，以保留3维的图片数据，否则图片会被变换为向量。由于是黑白图片，所以这里的颜色通道数为1。这里image的shape为(None,28,28,1)。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True, reshape=False)
定义数据流图结构
定义变量。这里我们不需要再定义各层网络的权重和偏差，这便是layers的方便之处，它们会被自动创建。
x = tf.placeholder(tf.float32, shape=(None,28,28,1)) y_ = tf.placeholder(tf.float32, shape=(None,10)) istrain = tf.placeholder(tf.bool) # dropout时参数用到
然后开始定义卷积网络结构，激活函数采用relu，这里使用卷积层⇒池化层⇒卷积层⇒池化层。
conv1 = tf.layers.conv2d( x, filters=30, kernel_size=(3, 3), strides=1, padding='same', activation=tf.nn.relu) pool1 = tf.layers.max_pooling2d( conv1, pool_size=(2, 2), strides=2, padding='same') conv2 = tf.layers.conv2d( pool1, filters=60, kernel_size=(3, 3), strides=1, padding='same', activation=tf.nn.relu) pool2 = tf.layers.max_pooling2d( conv2, pool_size=(2, 2), strides=2, padding='same')
将3维数据打开成向量，准备后面进行全链接网络。
flat = tf.layers.flatten(pool2)
添加两层的全链接隐藏层，并添加dropout以避免过拟合。
dense1 = tf.layers.dense(flat, units=200, activation=tf.nn.relu) dense1_drop = tf.layers.dropout(dense1,rate=0.5,training=istrain) dense2 = tf.layers.dense(dense1_drop, units=50, activation=tf.nn.relu) dense2_drop = tf.layers.dropout(dense2,rate=0.5,training=istrain)
输出层，用softmax变换来输出概率，同时输出logits，方便计算交叉熵。
logits = tf.layers.dense(dense2_drop,units=10) # 即未做softmax变换 y = tf.nn.softmax(logits) # 表示概率
定义loss函数，由于是多分类，因此这里采用softmax交叉熵。
loss = tf.reduce_mean(tf.losses.softmax_cross_entropy(onehot_labels=y_,logits=logits))
在梯度优化方法上，选择Adam，并将学习率设置为0.001。
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
训练过程
建立tensorflow会话，别忘了初始化全局变量。
sess = tf.Session() init = tf.global_variables_initializer() sess.run(init)
进行1500次更新训练，每批次输入100个训练样本，这样差不多训练3轮。并用测试集实时观察评估模型，设置每50步更新打印测试准确率。
for i in range(1500):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, istrain:True})
# 评估模型，每50步打印准确率
if (i+1) % 50 == 0:
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print("第%d步更新,准确率:%.2f%%" % (i+1, 100*sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, istrain:False})))
可以看到，训练到1000步时，测试数据准确率接近99%。
... 第1150步更新,准确率:98.56% 第1200步更新,准确率:98.61% 第1250步更新,准确率:98.66% 第1300步更新,准确率:98.77% ...
关闭会话
sess.close()