需要安裝 python，numpy，tensorflow,運行代碼即可。
tensorflow很好裝，用pip安裝即可。
可以參照http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.htm安裝。
數據集：mnist的，其實就是對數字進行分類。
input：就是圖像數據集
labels：數字從0到9. 輸出格式就是one-hot，一個10維度的向量，比如1就是[0,1,0,0,0,0,0,0,0,0,0].相應位置為1，其它位置為0.
1.CNN是一種帶有卷積結構的深度神經網絡，包括：
- 卷積層
- pooling layer
- fullConnection layer
大概過程就是：
圖像->卷積convention變換->pooling池化變換->卷積convention變換->pooling池化變換->fullConnection->output
2.卷積：
卷積就是用一個卷積函數去過濾輸入的圖像，這個過程會把和卷積函數相似的那些數據提取出來，變成相應的特征，我們可以用多個卷積函數去卷積，那么就可以提取出多個圖像，比如我代碼里面就從原始的1張圖片，變成32，再變成64...圖像特征出來。相當於把原始的一張圖片，變高，從1個張變成32張，每一張都是有卷積卷積出來的。 生成的32張可能分別包括了圖像的直線，角，紋理等一些什么特征。深度學習自己提取特征，不用我們手工來構造這些特征，像這種圖像，我們也不一定構造的特征就有用。
3.池化過程，就是下采樣。
每鄰域四個像素求和變為一個像素，然后通過標量Wx+1加權，再增加偏置bx+1，然后通過一個激活函數，產生一個大概縮小n倍的特征映射圖，降維，
- 圖像有種“靜態性”的屬性
- 降低維度
4.權值共享
CNN為了減少訓練參數，就是有個共享weight的概念，看代碼其實就知道，再卷積的那個過程，其實卷積函數和不同位置的圖像的w是一樣的，比如窗口是5*5，有6個卷積核，就是有6*（5*5+1）個訓練參數。
5.最后面的步驟就是和我們傳統介紹的ANN一樣，神經元都是全連接的。
[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庫
from tensorflow.examples.tutorials.mnist import input_data # 引入tensorflow中的自帶的一個讀取mnist文件
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
#計算每次迭代訓練模型的准確率,在訓練時，
#增了額外的參數keep_prob在feed_dict中，以控制dropout的幾率；
#最后一步用到了dropout函數將模型數值隨機地置零。如果keep_prob=1則忽略這步操作
#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變量，這邊truncated_normal表示正態分布
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1)
return tf.Variable(initial)
#返回指定shape的bias，這邊默認為0.1，constant 表示長量
def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial)
#使用tensorflow的庫，卷積操作，x是輸入數據，W是權重
#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 表示那個卷積核移動的步數，這邊是1，並且采用smae，最后卷積的大小和輸入的圖像大小是一致的。
def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#經過conv2d后，我們對過濾的圖像進行一個pooling操作
#輸入的x ： [batch, height, width, channels]
#ksize就是pool的大小 這邊是2*2
#strides 表示pool移動的步數，這邊是2，所以每次會縮小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')
#輸入的784維度的數據，lable是10維度。None這邊表示訓練數據的大小，可以先填none。
#placeholder 表示這個變量沒有值，需要傳入 feed_dic
xs = tf.placeholder(tf.float32,[None,784])
ys = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)
#把輸入的數據轉化為28*28*1的格式，-1表示數據的大小，可以填寫為-1，最后一個1是rgb通道數目，這邊默認為1
#這樣x_image就變成[sample,28,28,1]
x_image = tf.reshape(xs,[-1,28,28,1])
## conv1 layer ##
#第一層卷積，5*5的卷積核，輸入為1個圖像，卷積成32個28*28圖像
W_conv1 = weight_variable([5,5, 1,32]) # patch 5x5, in size 1, out size 32
b_conv1 = bias_variable([32])
#tf.nn.relu是激勵函數
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32
#pooling縮小2倍，變成32個14*14的圖像
h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32
## conv2 layer ##
#第二層卷積，5*5的卷積核，輸入為32個圖像，卷積成64個28*28圖像
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縮小2倍，變成64個7*7的圖像
h_pool2 = max_pool_2x2(h_conv2)
#接下來就是普通的神經網絡過程
## 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]
#把多維數據變為1個維度的數據，就是數組了
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)
#避免過擬合
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預測（0~9）
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
#損失函數
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss
#優化函數
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
sess = tf.Session()
# 初始化變量，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))