此篇为基于Nielsen的《Networks and Deep Learning》一书的手写系列终结篇，最后我们研究下CNN。书中用到theano模块来进行学习，本文决定采用当前比较流行的tensorflow模块。
install tensorflow（windows 10， mac linux）
-
cpu计算版本
pip install --upgrade tensorflow GPU(CUDA加速，相比CPU快很多)
开始采用的CPU方式（安装省心），发现训练模型确实慢，这里果断选择GPU版本（善其事必利其器）。
la.la.la...入坑开始！！！！
step1：检查计算机显卡是否是英伟达系列
step2: step1满足，看看显卡是否支持CUDA加速（地址点解链接）
step3：Python3.5
step4：下载CUDA、cuDNN，版本型号要对应
step5: 将cuDNN解压，将cuDNN的3个文件的路径添加path中。cmd中运行nvcc -V，看看是否出现对应CADU版本信息
step6:需要vs2015,忘记自己折腾啥的时候已经安装了
捕获.PNG
where MSVCP140.DLL 查看改文件是否存在（上面安装vs2015就是为了安装这个），存在后将路径添加到path环境变量中。
step7：pip install --upgrade tensorflow-gpu
import tensorflow尽然报错。参考https://stackoverflow.com/questions/42011070/on-windows-running-import-tensorflow-generates-no-module-named-pywrap-tenso严格执行一遍，尽然还是报同样错。。。。。仔细在研究下官方install介绍，得知cuDNN5.1版本不行可以尝试其他的版本。这里940MX显卡，尝试cuDNN6.0 for CUDA8.0，结果行了.....(wtf！！！）。
CNN（tensorflow）
# encoding: utf-8
"""
@version: python3.5.2
@author: kaenlee @contact: lichaolfm@163.com
@software: PyCharm Community Edition
@time: 2017/8/8 22:15
purpose:http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
"""
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('data/', one_hot=True)
# 交互模式我们使用更加方便的InteractiveSession类。通过它，你可以更加灵活地构建你的代码。
# 它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。
# 这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。
# 如果你没有使用InteractiveSession，那么你需要在启动session之前构建整个计算图，然后启动该计算图。
sess = tf.InteractiveSession()
# 占位符
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
# 10 个softmax节点权重以及偏置初始变量：仅仅用10个softmax输出节点
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# 初始化变量
sess.run(tf.global_variables_initializer())
y = tf.nn.softmax(tf.matmul(x, W) + b) # None X 10
loss = -tf.reduce_sum(y_ * tf.log(y)) # 似然函数损失函数
# 训练模型
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
for e in range(1000):
# 计算每个batch的loss最优更新模型的权重
mini_batch = mnist.train.next_batch(50) # 每次batch选取50个样本来替代估计总体的估计误差
train_step.run(feed_dict={x: mini_batch[0], y_: mini_batch[1]})
# 评估模型训练集合的准确率
correct_bool = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 最大值得位置是否一致y的每一个样本输出每种可能的概率，即最大概率的index为预测结果
accuracy = tf.reduce_mean(tf.cast(correct_bool, 'float'))
print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
# 下面构建一个多层卷积神经网络,为了创建这个模型，我们需要创建大量的权重和偏置项。
# 这个模型中的权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度。由于我
# 们使用的是ReLU神经元，因此比较好的做法是用一个较小的正数来初始化偏置项，以避
# 免神经元节点输出恒为0的问题（dead neurons）。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):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# 卷积和池化
# TensorFlow在卷积和池化上有很强的灵活性。我们怎么处理边界？步长应该设多大？在这个实例里，
# 我们会一直使用vanilla版本。我们的卷积使用1步长（stride size），0边距（padding size）的模板，
# 保证输出和输入是同一个大小。我们的池化用简单传统的2x2大小的模板做max pooling。为了代码更简洁，我们把这部分抽象成一个函数。
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
# 它由一个卷积接一个max pooling完成。卷积在每个5x5的patch中算出32个特征。卷积的权重张量形状是[5, 5, 1, 32]，
# 前两个维度是patch的大小，接着是输入的通道数目，最后是输出的通道数目。 而对于每一个输出通道都有一个对应的偏置量。
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
# 为了用这一层，我们把x变成一个4d向量，其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通道数(因为是灰度图所以这里的通道数为1，
# 如果是rgb彩色图，则为3)。
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 为了用这一层，我们把x变成一个4d向量，其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通道数(因为是灰度图所以这里的通道数为1，如果是rgb彩色图，则为3)。
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 我们把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# 第二层卷积
# 为了构建一个更深的网络，我们会把几个类似的层堆叠起来。第二层中，每个5x5的patch会得到64个特征。
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)
# 密集连接层
# 现在，图片尺寸减小到7x7，我们加入一个有1024个神经元的全连接层，用于处理整个图片。我们把池化层输出的张量reshape成一些向量，乘上权重矩阵，加上偏置，然后对其使用ReLU。
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# Dropout
# 为了减少过拟合，我们在输出层之前加入dropout。我们用一个placeholder来代表一个神经元的输出在dropout中保持不变的概率。
# 这样我们可以在训练过程中启用dropout，在测试过程中关闭dropout。 TensorFlow的tf.nn.dropout操作除了可以屏蔽神经元的输出外，
# 还会自动处理神经元输出值的scale。所以用dropout的时候可以不用考虑scale。
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 最后，我们添加一个softmax层，就像前面的单层softmax regression一样。
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# 训练和评估模型
# 为了进行训练和评估，我们使用与之前简单的单层SoftMax神经网络模型几乎相同的一套代码，只是我们会用更加复杂的ADAM优化器来做梯度最速下降，
# 在feed_dict中加入额外的参数keep_prob来控制dropout比例。然后每100次迭代输出一次日志。
cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.initialize_all_variables())
for i in range(20000):
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})
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}))
