tensorflow 基础学习八：重构MNIST神经网络

　　使用前面介绍的技术，实践一个神经网络模型。将训练和测试分成两个独立的程序，训练网络的程序可以持续输出训练好的模型，测试程序可以每隔一段时间检验最新模型的正确率。

# -*- coding:utf-8 -*-
import tensorflow as tf

# 定义神经网络结构相关的参数
INPUT_NODE=784
OUTPUT_NODE=10
LAYER1_NODE=500

# 通过tf.get_variable函数来获取变量。在训练神经网络时会创建这些变量；在测试时会通过
# 保存的模型加载这些变量的取值。而且更加灵活的是，因为可以在变量加载时将滑动平均变量
# 重命名，所以可以直接通过同样的名字在训练时使用变量自身，而在测试时使用变量的滑动
# 平均值。在这个函数中也会将变量的正则化损失加入损失集合。
def get_weight_variable(shape,regularizer):
    weights=tf.get_variable(‘weights‘,shape,initializer=tf.truncated_normal_initializer(stddev=0.1))

    if regularizer != None:
        tf.add_to_collection(‘losses‘,regularizer(weights))

    return weights

# 定义神经网络的前向传播过程
def inference(input_tensor,regularizer):
    # 如果在同一个程序中多次调用，在第一次调用之后需要将参数reuse设置为True
    with tf.variable_scope(‘layer1‘):
        weights=get_weight_variable([INPUT_NODE,LAYER1_NODE],regularizer)
        biases=tf.get_variable(‘biases‘,[LAYER1_NODE],initializer=tf.constant_initializer(0.0))
        layer1=tf.nn.relu(tf.matmul(input_tensor,weights)+biases)

    with tf.variable_scope(‘layer2‘):
        weights=get_weight_variable([LAYER1_NODE,OUTPUT_NODE],regularizer)
        biases=tf.get_variable(‘biases‘,[OUTPUT_NODE],initializer=tf.constant_initializer(0.0))
        layer2=tf.matmul(layer1,weights)+biases

    return layer2

mnist_inference.py

原文地址：https://www.cnblogs.com/hypnus-ly/p/8321853.html