需要安装 python，numpy，tensorflow,运行代码即可。
tensorflow很好装，用pip安装即可。
可以参照http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.htm安装。
数据集：mnist的，其实就是对数字进行分类。
input：就是图像数据集
labels：数字从0到9. 输出格式就是one-hot，一个10维度的向量，比如1就是[0,1,0,0,0,0,0,0,0,0,0].相应位置为1，其它位置为0.
1.CNN是一种带有卷积结构的深度神经网络，包括：
- 卷积层
- pooling layer
- fullConnection layer
大概过程就是：
图像->卷积convention变换->pooling池化变换->卷积convention变换->pooling池化变换->fullConnection->output
2.卷积：
卷积就是用一个卷积函数去过滤输入的图像，这个过程会把和卷积函数相似的那些数据提取出来，变成相应的特征，我们可以用多个卷积函数去卷积，那么就可以提取出多个图像，比如我代码里面就从原始的1张图片，变成32，再变成64...图像特征出来。相当于把原始的一张图片，变高，从1个张变成32张，每一张都是有卷积卷积出来的。 生成的32张可能分别包括了图像的直线，角，纹理等一些什么特征。深度学习自己提取特征，不用我们手工来构造这些特征，像这种图像，我们也不一定构造的特征就有用。
3.池化过程，就是下采样。
每邻域四个像素求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx+1，然后通过一个激活函数，产生一个大概缩小n倍的特征映射图，降维，
- 图像有种“静态性”的属性
- 降低维度
4.权值共享
CNN为了减少训练参数，就是有个共享weight的概念，看代码其实就知道，再卷积的那个过程，其实卷积函数和不同位置的图像的w是一样的，比如窗口是5*5，有6个卷积核，就是有6*（5*5+1）个训练参数。
5.最后面的步骤就是和我们传统介绍的ANN一样，神经元都是全连接的。
[code]#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date : 2016-07-24 12:52:36
# @Link : ${link}
# @Version : $Id$ import tensorflow as tf # 引入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data # 引入tensorflow中的自带的一个读取mnist文件 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) #计算每次迭代训练模型的准确率,在训练时，
#增了额外的参数keep_prob在feed_dict中，以控制dropout的几率；
#最后一步用到了dropout函数将模型数值随机地置零。如果keep_prob=1则忽略这步操作
#tf.argvmax:Returns the index with the largest value across dimensions of a tensor. def compute_accuracy(v_xs,v_ys):
global prediction
y_pre = sess.run(prediction,feed_dict={xs:v_xs,keep_prob:1})
correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
result = sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys,keep_prob:1})
return result #返回指定shape的weight变量，这边truncated_normal表示正态分布 def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1)
return tf.Variable(initial) #返回指定shape的bias，这边默认为0.1，constant 表示长量 def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial) #使用tensorflow的库，卷积操作，x是输入数据，W是权重
#Given an input tensor of shape [batch, in_height, in_width, in_channels] and a filter / kernel tensor of shape [filter_height, filter_width, in_channels, out_channels],
#strides 表示那个卷积核移动的步数，这边是1，并且采用smae，最后卷积的大小和输入的图像大小是一致的。 def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') #经过conv2d后，我们对过滤的图像进行一个pooling操作
#输入的x ： [batch, height, width, channels]
#ksize就是pool的大小 这边是2*2
#strides 表示pool移动的步数，这边是2，所以每次会缩小2倍 def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') #输入的784维度的数据，lable是10维度。None这边表示训练数据的大小，可以先填none。
#placeholder 表示这个变量没有值，需要传入 feed_dic xs = tf.placeholder(tf.float32,[None,784])
ys = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32) #把输入的数据转化为28*28*1的格式，-1表示数据的大小，可以填写为-1，最后一个1是rgb通道数目，这边默认为1
#这样x_image就变成[sample,28,28,1] x_image = tf.reshape(xs,[-1,28,28,1]) ## conv1 layer ##
#第一层卷积，5*5的卷积核，输入为1个图像，卷积成32个28*28图像 W_conv1 = weight_variable([5,5, 1,32]) # patch 5x5, in size 1, out size 32
b_conv1 = bias_variable([32])
#tf.nn.relu是激励函数
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32 #pooling缩小2倍，变成32个14*14的图像
h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32 ## conv2 layer ##
#第二层卷积，5*5的卷积核，输入为32个图像，卷积成64个28*28图像 W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 #pooling缩小2倍，变成64个7*7的图像 h_pool2 = max_pool_2x2(h_conv2) #接下来就是普通的神经网络过程
## func1 layer ## W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024]) # [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
#把多维数据变为1个维度的数据，就是数组了 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)
#避免过拟合
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) ## func2 layer ##
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
#使用softmax预测（0~9）
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss
#优化函数
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) sess = tf.Session()
# 初始化变量，一定要有
sess.run(tf.initialize_all_variables()) for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: 0.5})
if i % 50 == 0:
print(compute_accuracy(
mnist.test.images, mnist.test.labels))