コードの実装：
インポートtensorflowのTF AS
から tensorflow.examples.tutorials.mnist インポートINPUT_DATA
インポートOSの
はos.environ [ ' TF_CPP_MIN_LOG_LEVEL ' ] = ' 2 'の
＃は、初期化するために重み付け関数を定義
DEFのweight_varibles（形状）：
W = tf.Variable（tf.random_normal （=シェイプ形状、平均値= 0.0、STDDEV = 1.0 ））
リターンW
＃定義オフセット初期化機能
DEFのbias_varibles（形状）：
B = tf.Variable（tf.constant（0.0、形状= シェイプ））
リターンB
DEF モデル（）：
"" "
畳み込みモデル定義以来
：リターン：
"" "
＃のプレースホルダX [なし]、[784] 1.準備データy_true [なし]、[10]
（tf.variable_scopeと" データ」）：
X = tf.placeholder（TF .float32、[なし]、784 ]）
y_true = tf.placeholder（tf.int32、[なし]、[10 ]）
＃2畳み込み5,5,1,32の層畳み込みは、細胞活性化tf.nn.を活性化しませんreluをプール
（tf.variable_scopeと" CONV1 " ：）
＃ランダムに初期化重み
w_conv1 weight_varibles =（[5,5,1,32 ]）
＃は、ランダムオフセット発生
b_conv1 bias_varibles =（[32 ]）
位X [なし]、[784]の形状変化は、配列を、[なし]、28,28,1]思考に変更される
- x_reshape tf.reshape =（[1,28,28,1 X、]）
x_relu = tf.nn.relu （tf.nn.conv2d（x_reshape、w_conv1、ストライド= [1,1,1,1]、パディング= " SAME "）+ b_conv1）
＃1 プール2×2 strides2 [なし、28,28,32 ] - > [なし、14,14,32]
x_pool1 = tf.nn.max_pool（x_relu、ksize = [1,2,2,1]、ストライド= [1,2,2,1]、パディング= " SAME " ）
＃3レイヤ畳み込み
tf.variable_scope有する（" CONV2 " ）：
＃ランダムに初期化量重量[5,5,32,64]オフセット[64]
w_conv2 weight_varibles =（[5,5,32,64 ]）
b_conv2Bias_varibles =（[64 ]）
＃の畳み込み活性化し、プール
＃1 の畳み込み[なし、14,14,32] -----> [なし]、[14,14,64]
x_relu2 = tf.nn. RELU（tf.nn.conv2d（x_pool1、w_conv2、ストライド= [1,1,1,1]、パディング= " SAME "）+ b_conv2）
＃2 * 2ストライド2プーリング、[なし] 、14,14,64 ] ---> [なし、7,7,64]
x_pool2 = tf.nn.max_pool（x_relu2、ksize = [1,2,2,1]、ストライド= [1,2,2,1]、パディング= " SAME " ）
＃4完全接続層[なし、7,7,64] ---> [なし、7 * 7 * 64] * [7 * 7 * 64,10] + [10] =なし、10 ]
tf.variable_scope（と"" ）：＃
ランダムに初期化重みおよびバイアス
w_fc weight_varibles =（[7 7 * 64、10 ]）
b_fc = bias_varibles（[10 ]）
＃形状を変更し、[なし]、7,7,64] ---> [なし] ,. 7 7 * 64]
x_fc_reshape = tf.reshape（x_pool2、[ - L、7 7 * 64 * ]）
＃は、各サンプル10について得られた行列演算結果行う
y_predict = tf.matmul（x_fc_reshape、w_fc）+ b_fcの
戻りX、y_true、y_predict
DEF cunv_fcを（）：
＃実際のデータ取得
MNIST = input_data.read_data_setsを（" 。 / MNIST / INPUT_DATA / "one_hot = TRUE）
＃モデル由来の出力定義
X、y_true、y_predict = モデル（）
＃は、すべてのサンプルについて損失を求める平均
（持つtf.compat.v1.variable_scope " soft_cross " ）：
＃平均クロスエントロピー損失計算
損失= tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits（= y_trueラベル、logits = y_predict））
＃の決定勾配降下損失
TFとします。 compat.v1.variable_scope（" オプティマイザ" ）：
train_op = tf.compat.v1.train.GradientDescentOptimizer（0.1 ）.minimize（損失）
＃の計算精度
tf.compat.v1.variable_scope有する（" ACC " ）：
equal_list = tf.equal（tf.argmax（y_true ,. 1）、tf.argmax（y_predict ,. 1 ））
＃変換タイプのサンプルと平均
精度=tf.reduce_mean（tf.cast（equal_list、tf.float32））
＃の OPの変数定義の初期化
init_op = tf.global_variables_initializer（）
＃オープンセッションが実行され
、SESのAS tf.compat.v1.Session（と）：
＃は、変数の初期化
のSESを.RUN（init_op）
＃訓練の反復回数は、パラメータ予測更新する
ための I における範囲（1000 ）：
＃は本当の固有値とターゲット抽出
mnist_x、mnist_y mnist.train.next_batch =（50 ）
＃の実行train_opトレーニング
sess.runを（train_op、feed_dict = {X：mnist_x、y_true：mnist_y}）
プリント（" ％Dの正解率F％のための訓練"％（I、sess.run（精度、feed_dict = {X：mnist_x、y_true：mnist_y}）））
もし __name__ == ' __main__ ' ：
cunv_fc（）