简单构建cnn的网络

def convolutional(x, keep_prob):
    def conv2d(x, W):
        return tf.nn.conv2d([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')

    def weight_variable(shape):
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)

    def bias_variable(shape):
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial)

    x_image = tf.reshape(x, [-1, 28, 28, 1])
    W_conb1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conb1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

1.训练卷积模型和线性模型的基本步骤都是一样的：第一步是定义模型；定义模型之后使用模型，使用模型之后定义一个训练，一次次迭代之后把模型文件ckpt保存下来，以供后续来使用。

2.定义模型：

# 卷积模型:多层卷积

def convolutional(x, keep_prob):

    def conv2d(x, W):   # 定义一个2*2的卷积

        return tf.nn.conv2d([1, 1, 1, 1], padding='SAME')

    def max_pool_2x2(x):    # 定义一个2*2的池化层

        return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

    def weight_variable(shape):     # 定义一个权重变量

        initial = tf.truncated_normal(shape, stddev=0.1)

        return tf.Variable(initial)

    def bias_variable(shape):   # 定义一个偏置项变量

        initial = tf.constant(0.1, shape=shape)

        return tf.Variable(initial)

    # 定义卷积层，第一层：

    x_image = tf.reshape(x, [-1, 28, 28, 1])    # 定义图像

    W_conv1 = weight_variable([5, 5, 1, 32])    # 权重

    b_conv1 = bias_variable([32])   # 偏置项

    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)    # 定义卷积

    h_pool1 = max_pool_2x2(h_conv1)   # 定义池化

    # 第二层实际上和第一层是一样的