本文实例为大家分享了基于TensorFlow的CNN实现Mnist手写数字识别的具体代码，供大家参考，具体内容如下
一、CNN模型结构
输入层：Mnist数据集(28*28)
第一层卷积：感受视野5*5，步长为1，卷积核：32个
第一层池化：池化视野2*2，步长为2
第二层卷积：感受视野5*5，步长为1，卷积核：64个
第二层池化：池化视野2*2，步长为2
全连接层：设置1024个神经元
输出层：0~9十个数字类别
二、代码实现
?
运行结果：
三、TensorFlow主要函数说明
1、卷积层
?
(1)data_format：表示输入的格式，有两种分别为：“NHWC”和“NCHW”，默认为“NHWC”
(2)input：输入是一个4维格式的(图像)数据，数据的 shape 由 data_format 决定：当 data_format 为“NHWC”输入数据的shape表示为[batch, in_height, in_width, in_channels]，分别表示训练时一个batch的图片数量、图片高度、 图片宽度、 图像通道数。当 data_format 为“NHWC”输入数据的shape表示为[batch, in_channels， in_height, in_width]
(3)filter：卷积核是一个4维格式的数据：shape表示为：[height,width,in_channels, out_channels]，分别表示卷积核的高、宽、深度(与输入的in_channels应相同)、输出 feature map的个数(即卷积核的个数)。
(4)strides：表示步长：一个长度为4的一维列表，每个元素跟data_format互相对应，表示在data_format每一维上的移动步长。当输入的默认格式为：“NHWC”，则 strides = [batch , in_height , in_width, in_channels]。其中 batch 和 in_channels 要求一定为1，即只能在一个样本的一个通道上的特征图上进行移动，in_height , in_width表示卷积核在特征图的高度和宽度上移动的布长。
(5)padding：表示填充方式：“SAME”表示采用填充的方式，简单地理解为以0填充边缘，当stride为1时，输入和输出的维度相同；“VALID”表示采用不填充的方式，多余地进行丢弃。
对于卷积操作：
2、池化层
?
参数说明：
(1)value：表示池化的输入：一个4维格式的数据，数据的 shape 由 data_format 决定，默认情况下shape 为[batch, height, width, channels]
(2)ksize：表示池化窗口的大小：一个长度为4的一维列表，一般为[1, height, width, 1]，因不想在batch和channels上做池化，则将其值设为1。
(3)其他参数与 tf.nn.cov2d 类型
对于池化操作：
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服务器之家。
原文链接：/asialee_bird/article/details/80460801
