参考博文：http://blog.csdn.net/xukaiwen_2016/article/details/70880694
对于卷积神经网络的基础知识这上面说的很清楚，我第一次写Tensoflow几乎是模仿着写的，并且把学习率设得比较低，最后得到了比较好的训练结果，然后贴上有注释的代码

#encoding utf-8
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

mnist = input_data.read_data_sets("../data/", one_hot = True) #读图片数据集
sess = tf.InteractiveSession() #创建session
#一，函数声明部分
def weight_variable(shape):
    #正态分布，标准差为0.1，默认最大为1，最小为-1，均值为0
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)
def bias_variable(shape):
    #创建一个结构为shape的矩阵也可以说是数组shape声明其行列，初始化所有值为0
    initial = tf.constant(0,1, shape=shape)
    return tf.Variable(initial)
def conv2d(x, W):
    #卷积遍历各方向步长为1，SAME：边缘自动补0，自动相乘
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
    #池化卷积结果(conv2d)池化层采用kernel大小为2*2，步数也是2，周围补0，取最大值，数据量缩小了4倍
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

#二，定义输入输出结构
#声明一个占位符，None表示输入图片的数量不定，28*28图片分辨率
xs = tf.placeholder(tf.float32, [None, 28*28])
#类别是0-9共10个种类，对应输出分类结果
ys = tf.placeholder(tf.float32, [None, 10])
keep_prob = tf.placeholder(tf.float32)
#x_images又把xs reshape成了28*28*1的形状，因为是灰色图片，所以通道是1，作为训练时的input,-1代表图片数量不定
x_image = tf.reshape(xs, [-1, 28, 28, 1])

#三，搭建网络,定义算法公式，也就是forward时的运算
##第一层卷积操作##
#第一二参数值得卷积核尺寸大小，即patch，第三个参数是图像通道数，第四个参数是卷积核的数目，代表会出现多少个卷积特征图像
w_conv1 = weight_variable([5,5,1,32])
#对于每一个卷积核都有一个对应的偏置量
b_conv1 = bias_variable([32])
#图片乘以卷积核，并且加上偏置量，卷积结果为28*28*32
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
#池化结果14*14*32,卷积结果乘以池化的卷积核
h_pool1 = max_pool_2x2(h_conv1)

###第二层卷积操作#
#32通道卷积，卷积出64个特征
w_conv2 = weight_variable([5,5,32,64])
#64个偏置数据
b_conv2 = bias_variable([64])
#注意h_pool1是上一层的池化结果，卷积结果14*14*64
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2)+b_conv2)
#池化结果
h_pool2 = max_pool_2x2(h_conv2)
# 原图像尺寸28*28，第一轮图像缩小为14*14，共有32张，第二轮后图像缩小为7*7，共有64张

##第三层全连接层操作##
#二维张量，第一个参数7*7*64的patch，也可以认为只有一行7*7*64个数据的卷积，第二个参数代表卷积个数共1024个
w_fc1 = weight_variable([7*7*64, 1024])
#1024个偏置数据
b_fc1 = bias_variable([1024])
#将第二层卷积池化结果reshape成只有一行7*7*64个数据[n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
h_pool2_flat = tf.reshape(h_pool2, [-1,7*7*64])
#卷积操作，结果是1*1*1024，单行乘以单列等于1*1矩阵，matmul实现最基本的矩阵相乘，不同于tf.nn.conv2d的遍历相乘，自动认为是前行向量后列向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)
#dropout操作，减少过拟合，其实就是降低上一层某些输入的权重scale，甚至置为0，升高某些输入的权值，甚至置为2，防止评测曲线出现震荡，个人觉得样本较少时很必要
#使用占位符，由dropout自动确定scale，也可以自定义，比如0.5，根据tensorflow文档可知，程序中真实使用的值为1/0.5=2，也就是某些输入乘以2，同时某些输入乘以0
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #对卷积结果执行dropout操作

##第四层输出操作##
#二维张量，1*1024的矩阵卷积，共10个卷积，对应我们开始的ys长度10
w_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
#最后的分类，结果是1*1*10, softmax和sigmoid都是基于Logistic分类算法，一个是多类一个是二分类
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2)+b_fc2)

#四.定义loss(最小误差概率),选定优化loss
cross_entropy = -tf.reduce_sum(ys*tf.log(y_conv)) #定义交叉熵为loss的函数
train_step = tf.train.GradientDescentOptimizer(0.0001).minimize(cross_entropy) #调用优化器来优化，实际上通过大量数据，争取cross_entropy最小化

#五.开始数据训练以及评测
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(ys,1))
accurary = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.global_variables_initializer().run()


for i in range(20000):#迭代20000次
    batch = mnist.train.next_batch(50)
    if i%100 == 0:
        train_accuracy = accurary.eval(feed_dict={xs:batch[0], ys:batch[1], keep_prob: 1.0})
        print("step %d, training accuracy %g"%(i, train_accuracy))
    sess.run(train_step, feed_dict={xs:batch[0], ys:batch[1], keep_prob: 0.5})

#内存有限，就要使用这种方法了，分段测试
num = 1000
all = 0
for i in range(9):
    acc = accurary.eval(feed_dict={xs: mnist.test.images[i*num: (i+1)*num], ys: mnist.test.labels[i*num: (i+1)*num], keep_prob: 1.0})
    all += float(acc)
    print('%d is %f' % (i, acc))
print(all / 9)