#Tensorflow->CNN
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#一、得到带标签的数据
#载入数据集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
#计算批次大小及一个周期有多少个批次
batch_size=64
n_batch=mnist.train.num_examples // batch_size
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])#输入有28*28
y=tf.placeholder(tf.float32,[None,10])#输出十个分类

#二、定义参数初始化
#初始化权值
def weight_variable(shape):#形状同传入的shape，标准差是0.1
    initial=tf.truncated_normal(shape,stddev=0.1)#生成一个目标截断的正态分布
    return tf.Variable(initial)#返回正态分布的初始权值
#初始化偏置
def bias_variable(shape):#constant连接不变的，即全部偏置定为一个值
    initial=tf.constant(0.1,shape=shape)#全部初始化为0.1，形状同传入的shape
    return tf.Variable(initial)#返回把生成的初始值

#三、定义网络层操作
#卷积层
def conv2d(x,W):
    #input x=[batch,in_height,in_width,in_channels]
   #filter/kernel W=[filter_height,filter_width,in_channels,out_channels]
    #strides=[1,x,y,1]
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#池化层
def max_pool_2x2(x):
    #窗口ksize[1,x,y,1],步长strides=[1,x,y,1]
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#四、定义模型
#1、输入层
#改变x的格式转为4D的格式[batch,in_height,in_width,in_channels]
x_image=tf.reshape(x,[-1,28,28,1])#-1自动匹配，28*28象素，1通道（01图）

#2、第一个卷积层
#初始化第一个卷积层的权值和偏置
W_conv1=weight_variable([5,5,1,32])#5*5的采样窗口，输入通道1，输出通道32

#3、第一个池化层
b_conv1=bias_variable([32])#每一个输出通道一个偏置值

#4、第二个卷积层
#把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)#把参数传入进行卷积

#5、第二个池化层
h_pool1=max_pool_2x2(h_conv1)#对第一次卷积后的图像max_pool_2x2池化
#初始化第二个卷积层的权值和偏置
W_conv2=weight_variable([5,5,32,64])#5*5的采样窗口，输入通道32，输出通道64
b_conv2=bias_variable([64])#每一个输出通道一个偏置值
#把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)#对第二次卷积后的图像进行max-pooling
#28*28的图片第一次卷积后还是28*28，第一次池化后变为14*14
#第二次卷积后主14*14，第二次池化后变为7*7
#通过上面操作后得到64张7*7的平面
#(64,7,7,64)#第一个64是批次大小

#6、第一个全连接层
#初始化第一个全连接层的权值
#上一层有7*7*64个神经元(指向下一层1024)，全连接层有1024个神经元
W_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
#把池化层2的输出遍平化为1维
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])#变为7*7*64向量
#求第一个全连接层的输出
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)#传入输入，权重，偏置
#keep_prob用来表示神经元的输出概率(加了一个dropout)
keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#7、第二个全连接层
W_fc2=weight_variable([1024,10])#由1024转向10
b_fc2=bias_variable([10])#输出10通道就是10个偏置
#计算输出
prediction=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

#五、评估模型
#交叉熵代价函数
cross_entropy=tf.losses.softmax_cross_entropy(y,prediction)
#使用AdamOptimizer进行优化
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔列表中
correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#六、进行训练
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())#全局变量初始化
    for epoch in range(21):#21个周期
        for batch in range(n_batch):#循环读取本批次每个样本
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)#获得数据
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})#跑一次训练数据
        #跑一次测试数据获得评估参数并输出
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print("Iter "+str(epoch)+", Testing Accuracy= "+str(acc))