#導(dǎo)入mnist數(shù)據(jù)
import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
# start tensorflow interactiveSession
import tensorflow as tf
sess = tf.InteractiveSession()

# weight initialization
#初始化時加入輕微噪聲，來打破對稱性，防止零梯度問題
#權(quán)重初始化
def weight_variable(shape):
 #截斷正態(tài)分布
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)

#偏置初始化
def bias_variable(shape):
 initial = tf.constant(0.1, shape = shape)
 return tf.Variable(initial)

# convolution卷積
#卷積使用1步長(stride size)，0邊距(padding size)的模板，
#padding='SAME'說明在
#保證輸出和輸入是同一個大小
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# pooling池化
#把特征圖像區(qū)域的一部分求個均值或者最大值，用來代表這部分區(qū)域。
#如果是求均值就是mean pooling，求最大值就是max pooling。
#池化用簡單傳統(tǒng)的2x2大小的模板做max pooling
def max_pool_2x2(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')


# 輸入任意數(shù)量的圖像，每一張圖平鋪成784維向量
x = tf.placeholder("float", [None, 784])
# target為10維標簽向量
y_ = tf.placeholder("float", [None, 10])
# 權(quán)重是784*10，偏置值是[10]
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
# y=x*W+b
y = tf.nn.softmax(tf.matmul(x,W) + b)

# 第一個卷積層
# 權(quán)重是一個 [5, 5, 1, 32] 的張量，前兩個維度是patch的大小，
# 接著是輸入的通道數(shù)目，最后是輸出的通道數(shù)目。
# 輸出對應(yīng)一個同樣大小的偏置向量。
w_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
# 為了用這一層，我們把 x 變成一個4d向量，
# 第2、3維對應(yīng)圖片的寬高，最后一維代表顏色通道。
x_image = tf.reshape(x, [-1, 28, 28, 1])
'''
x_image 和權(quán)值向量進行卷積相乘，加上偏置，
使用ReLU激活函數(shù)，最后max pooling
'''
#h_conv1由于步長是1，輸出單張圖片大小不變是[28,28]
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
#h_pool1由于步長是2，輸出單張圖片大小減半[14,14]
h_pool1 = max_pool_2x2(h_conv1)

# 第二個卷積層
'''
為了構(gòu)建一個更深的網(wǎng)絡(luò)，我們會把幾個類似的層堆疊起來。
第二層中，每個5x5的patch會得到64個特征。
'''
w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

#h_conv2由于步長是1，輸出單張圖片大小不變是[14,14]
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
#h_pool2由于步長是2，輸出單張圖片大小減半[7,7]
h_pool2 = max_pool_2x2(h_conv2)

# densely connected layer密集連接層
'''
現(xiàn)在，圖片降維到7x7，我們加入一個有1024個神經(jīng)元的全連接層，
用于處理整個圖片。我們把池化層輸出的張量reshape成一些向量，
乘上權(quán)重矩陣，加上偏置，使用ReLU激活。
'''
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
'''
為了減少過擬合，我們在輸出層之前加入dropout。我們用一個 placeholder 來代表一個神經(jīng)元在dropout中被保留的概率。
這樣我們可以在訓(xùn)練過程中啟用dropout，在測試過程中關(guān)閉dropout。 
TensorFlow的 操作會自動處理神經(jīng)元輸出值的scale。
所以用dropout的時候可以不用考慮scale。
'''
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# readout layer
#添加一個softmax層，就像前面的單層softmax regression一樣
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)
'''
我們會用更加復(fù)雜的ADAM優(yōu)化器來做梯度最速下降，
在 feed_dict 中加入額外的參數(shù)keep_prob來控制dropout比例。
然后每100次迭代輸出一次日志。
'''
# train and evaluate the model訓(xùn)練和評價模型
#計算交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
#梯度下降求最小交叉熵
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
#train_step = tf.train.AdagradOptimizer(1e-5).minimize(cross_entropy)
#檢測我們的預(yù)測是否真實標簽匹配
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
#把布爾值轉(zhuǎn)換成浮點數(shù)，然后取平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#初始化變量
sess.run(tf.initialize_all_variables())
for i in range(20000):
 #隨機抓取訓(xùn)練數(shù)據(jù)中的50個批處理數(shù)據(jù)點，然后我們用這些數(shù)據(jù)點作為參數(shù)替換 之前的占位符來運行train_step
 batch = mnist.train.next_batch(50)
 #每100次打印下
 if i%100 == 0:
  train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})
  print "step %d, train 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})