# -*- coding: utf-8 -*-

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加載數(shù)據(jù)集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 以交互式方式啟動session
# 如果不使用交互式session，則在啟動session前必須
# 構建整個計算圖，才能啟動該計算圖
sess = tf.InteractiveSession()

"""構建計算圖"""
# 通過占位符來為輸入圖像和目標輸出類別創(chuàng)建節(jié)點
# shape參數(shù)是可選的，有了它tensorflow可以自動捕獲維度不一致導致的錯誤
x = tf.placeholder("float", shape=[None, 784]) # 原始輸入
y_ = tf.placeholder("float", shape=[None, 10]) # 目標值

# 為了不在建立模型的時候反復做初始化操作，
# 我們定義兩個函數(shù)用于初始化
def weight_variable(shape):
 # 截尾正態(tài)分布,stddev是正態(tài)分布的標準偏差
 initial = tf.truncated_normal(shape=shape, stddev=0.1)
 return tf.Variable(initial)
def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)

# 卷積核池化,步長為1,0邊距
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
       strides=[1, 2, 2, 1], padding='SAME')

"""第一層卷積"""
# 由一個卷積和一個最大池化組成。濾波器5x5中算出32個特征，是因為使用32個濾波器進行卷積
# 卷積的權重張量形狀是[5, 5, 1, 32],1是輸入通道的個數(shù)，32是輸出通道個數(shù)
W_conv1 = weight_variable([5, 5, 1, 32])
# 每一個輸出通道都有一個偏置量
b_conv1 = bias_variable([32])

# 位了使用卷積，必須將輸入轉(zhuǎn)換成4維向量，2、3維表示圖片的寬、高
# 最后一維表示圖片的顏色通道（因為是灰度圖像所以通道數(shù)維1，RGB圖像通道數(shù)為3）
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 第一層的卷積結(jié)果,使用Relu作為激活函數(shù)
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))
# 第一層卷積后的池化結(jié)果
h_pool1 = max_pool_2x2(h_conv1)

"""第二層卷積"""
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

"""全連接層"""
# 圖片尺寸減小到7*7，加入一個有1024個神經(jīng)元的全連接層
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
# 將最后的池化層輸出張量reshape成一維向量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
# 全連接層的輸出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

"""使用Dropout減少過擬合"""
# 使用placeholder占位符來表示神經(jīng)元的輸出在dropout中保持不變的概率
# 在訓練的過程中啟用dropout，在測試過程中關閉dropout
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

"""輸出層"""
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
# 模型預測輸出
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 交叉熵損失
cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))

# 模型訓練,使用AdamOptimizer來做梯度最速下降
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 正確預測,得到True或False的List
correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))
# 將布爾值轉(zhuǎn)化成浮點數(shù)，取平均值作為精確度
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# 在session中先初始化變量才能在session中調(diào)用
sess.run(tf.global_variables_initializer())

# 迭代優(yōu)化模型
for i in range(2000):
 # 每次取50個樣本進行訓練
 batch = mnist.train.next_batch(50)
 if i%100 == 0:
  train_accuracy = accuracy.eval(feed_dict={
   x: batch[0], y_: batch[1], keep_prob: 1.0}) # 模型中間不使用dropout
  print("step %d, training 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}))