#卷积神经网络cnn
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#数据包,如果没有自动下载 number 1 to 10 data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)

#用测试集来评估神经网络的准确度
def computer_accuracy(v_xs,v_ys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:v_xs,keep_prob:1})#只要有dropout在feed_dict中必须加上keep_prob
    correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))#tf.argmax(y_pre,1)表示预测出的值，tf.argmax(v_ys,1)表示实际值
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={xs: v_xs, ys: v_ys,keep_prob:1})
    return result

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)

def conv2d(x,W):
    #stride[1,x_movement,y_movement,1]
    #must have strides[0]=strides[3]=1
    '''
    :param x:需要输入的图像或句子，形式为[batch, in_height, in_width, in_channels]
    :param W: CNN中卷积核的大小，形式为[filter_height, filter_width, in_channels, out_channels]
    :return: 返回一个feature map，形式为[batch, height, width, channels]
    '''
    '''
    tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
    除去name参数用以指定该操作的name，与方法有关的一共五个参数：    
    第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]
        这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
    第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]
        这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
    第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
    第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式,'SAME'指通过填充使得输出的图片的尺寸等于输入图片的尺寸
    第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
    结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
    那么TensorFlow的卷积具体是怎样实现的呢，用一些例子去解释它：
    1.考虑一种最简单的情况，现在有一张3×3单通道的图像（对应的shape：[1，3，3，1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，最后会得到一张3×3的feature map
    2.增加图片的通道数，使用一张3×3五通道的图像（对应的shape：[3，3，5, 1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，仍然是一张3×3的feature map，这就相当于每一个像素点，卷积核都与该像素点的每一个通道做卷积。
    '''
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#padding='SAME'指通过填充使得输出的图片的尺寸等于输入图片的尺寸

def max_pool_2x2(x):
    # stride[1,x_movement,y_movement,1]
    '''
    :param x:需要进行池化的特征图，形式为：[batch, height, width, channels]
    :return:返回池化结果，形式为：[batch, height, width, channels]
    '''
    '''
    tf.nn.max_pool(value, ksize, strides, padding, name=None)
    参数是四个，和卷积很类似：
    第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
    第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
    第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
    第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'
    返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
    '''
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None, 784])  # none表示无论给多少个例子都行，784=28*28
ys = tf.placeholder(tf.float32, [None, 10])  #表示10个需要识别的数字
keep_prob = tf.placeholder(tf.float32)#dropout机制使用
x_image = tf.reshape(xs,[-1,28,28,1])#-1为多少由导入的数据决定，不是指batch_size。28*28*1指一个图片的像素点数
#print(x_image.shape) #[n_samples,28,28,1]

##conv1 layer##
W_conv1 = weight_variable([5,5,1,32])#patch=5*5,in size =1,out size=32
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)#output size = 28*28*32
h_pool1 = max_pool_2x2(h_conv1)         #output size = 14*14*32

##conv2 layer##
W_conv2 = weight_variable([5,5,32,64])#patch=5*5,in size =32,out size=64
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)#output size = 14*14*64
h_pool2 = max_pool_2x2(h_conv2)         #output size = 7*7*64

##func1 layer##应该是全连接层的参数
W_fc1 = weight_variable([7*7*64,1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])#[n_sample,7,7,64]>>[n_sample,7*7*64]
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

#tf.reshape(tensor, shape, name=None)   数据重定形状函数
# 参数：
# tensor：输入数据
# shape：目标形状
# name：名称
# 返回：Tensor

##func2 layer##
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

#the error between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),reduction_indices=[1])) #loss function
#tf.summary.scalar('loss',cross_entropy)
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

sess = tf.Session()
#important step
sess.run(tf.global_variables_initializer())

for i in range(500):
    batch_xs, batch_ys = mnist.train.next_batch(500)
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys,keep_prob:1})
    if i%50 == 0:
        print(computer_accuracy(mnist.test.images[0:500], mnist.test.labels[0:500]))