# 该版本的最终识别准确率达到98%以上

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集

mnist=input_data.read_data_sets('MNIST_data',one_hot=True)

# 每个批次的大小

batch_size=100

# 计算一共有多少个批次

n_batch=mnist.train.num_examples//batch_size

# 定义两个placeholder

x=tf.placeholder(tf.float32,[None,784])

y=tf.placeholder(tf.float32,[None,10])

keep_prob=tf.placeholder(tf.float32)

lr=tf.Variable(0.001,dtype=tf.float32)

# 创建神经网络

# 使用正态分布以及非0的偏置值

# 输入层

W1=tf.Variable(tf.truncated_normal([784,500],stddev=0.1))

b1=tf.Variable(tf.zeros([500])+0.1)

L1=tf.nn.tanh(tf.matmul(x,W1)+b1)# 使用双曲正切的激活函数

L1_drop=tf.nn.dropout(L1,keep_prob) # 设置成多少个神经元工作，1为100%

W2=tf.Variable(tf.truncated_normal([500,200],stddev=0.1))

b2=tf.Variable(tf.zeros([200])+0.1)

L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)# 使用双曲正切的激活函数

L2_drop=tf.nn.dropout(L2,keep_prob) # 设置成多少个神经元工作，1为100%

# 输出层

W3=tf.Variable(tf.truncated_normal([200,10],stddev=0.1))

b3=tf.Variable(tf.zeros([10])+0.1)

prediction=tf.nn.softmax(tf.matmul(L2_drop,W3)+b3)

# 使用交叉熵的情况

loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=prediction))

# 使用adam优化器

train_step=tf.train.AdamOptimizer(lr).minimize(loss)

# 初始化变量

init=tf.global_variables_initializer()

# 求最大值在哪个位置，结果存放在一个布尔值列表中

correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))# argmax返回一维张量中最大值所在的位置

# 求准确率

accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # cast作用是将布尔值转换为浮点型。

with tf.Session() as sess:

    sess.run(init)

    for epoch in range(21):

        for batch in range(n_batch):

            sess.run(tf.assign(lr,0.001*(0.98**epoch)))

            batch_xs,batch_ys=mnist.train.next_batch(batch_size)

            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0}) # keep_drop:表示多少神经元工作,训练时减少神经元可以防止过拟合，如换成0.7

        #求准确率

        # 测试集

        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})

        learning_rate=sess.run(lr)

        # 训练集

#         train_acc=sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:1.0})

        print('Iter:'+str(epoch)+',Testing Accuracy:'+str(test_acc))

        print('Iter:'+str(epoch)+',Training rate:'+str(learning_rate))

        print()