首先，使用lenet-5框架：

[python] 

1. #!/usr/bin/env python3  
2. # -*- coding: utf-8 -*-  
3. """ 
4. Created on Thu May 24 10:12:33 2018 
5.  
6.  
7. @author: john 
8. """  
9. ########Training a DNN Using Plain TensorFlow  
10.   
11.   
12. ####Construction Phase  
13.   
14.   
15. ##define parameter  
16. import tensorflow as tf  
17. import numpy as np  
18. import matplotlib.pyplot as plt  
19. import pandas as pd  
20. import  tensorflow.contrib.slim as slim  
21.   
22.   
23. #load the data  
24. train=pd.read_csv('train.csv')  
25. y=train['label'].values  
26. del train['label']        
27. data=train.values  
28. data=np.reshape(data,(data.shape[0],28,28,1))  
29.   
30.   
31. from sklearn.cross_validation import train_test_split  
32. X_train,X_test,y_train,y_test=train_test_split(data,y,test_size=0.2)  
33.       
34. ########construct phase  
35. X=tf.placeholder(tf.float32,shape=(None,28,28,1))  
36. y=tf.placeholder(tf.int32,shape=(None))  
37.       
38. ##net struct  
39. conv1=slim.conv2d(X,6,[5,5],stride=1,padding='SAME',activation_fn=tf.nn.tanh,scope='conv1')  
40. avg_pool1=slim.avg_pool2d(conv1,[2,2],[2,2],padding='SAME')      
41. conv2=slim.conv2d(avg_pool1,16,[5,5],stride=1,padding='SAME',activation_fn=tf.nn.tanh,scope='conv2')      
42. avg_pool2=slim.avg_pool2d(conv2,[2,2],[2,2],padding='SAME')      
43. conv3=slim.conv2d(avg_pool2,120,[5,5],stride=1,padding='SAME',activation_fn=tf.nn.tanh,scope='conv3')  
44. flatten=slim.flatten(conv3)  
45. f1=slim.fully_connected(flatten,84,activation_fn=tf.nn.tanh,scope='f1')  
46. logits=slim.fully_connected(f1,10,activation_fn=None,scope='f2')  
47.   
48.   
49. ##loss  
50. xentropy=tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y,logits=logits)  
51. loss=tf.reduce_mean(xentropy,name='loss')  
52.   
53.   
54. ##train  
55. learning_rate=0.01  
56. optimizer=tf.train.GradientDescentOptimizer(learning_rate)  
57. training_op=optimizer.minimize(loss)  
58.   
59.   
60. ##eval  
61. correct=tf.nn.in_top_k(logits,y,1)  
62. accuracy=tf.reduce_mean(tf.cast(correct,tf.float32))  
63.   
64.   
65. init=tf.global_variables_initializer()  
66. saver=tf.train.Saver()  
67.   
68.   
69. ########execution phase  
70. n_input=28*28  
71. n_epochs=10  
72. batch_size=125  
73.   
74.   
75. def fetch_batch(epoch,batch_index,batch_size):  
76.     np.random.seed(epoch*n_input+batch_index)  
77.     indicies=np.random.randint(X_train.shape[0],size=batch_size)  
78.     X_batch=X_train[indicies]  
79.     y_batch=y_train[indicies]  
80.     return X_batch,y_batch  
81. with tf.Session() as sess:  
82.     init.run()  
83.     for epoch in range(n_epochs):  
84.         for batch_index in range(X_train.shape[0]//batch_size):  
85.             X_batch,y_batch=fetch_batch(epoch,batch_index,batch_size)  
86.             sess.run(training_op,feed_dict={X:X_batch,y:y_batch})  
87.         acc_train=accuracy.eval(feed_dict={X:X_train,y:y_train})  
88.         acc_test=accuracy.eval(feed_dict={X:X_test,y:y_test})  
89.           
90.         print(epoch,' train accuracy:',acc_train,  
91.               ' test accuracy:',acc_test)  
92.     save_path=saver.save(sess,'./my_model.ckpt')  

部分结果如下所示：

[python] 

1. 0  train accuracy: 0.916042  test accuracy: 0.915357  
2. 1  train accuracy: 0.940149  test accuracy: 0.937024  
3. 2  train accuracy: 0.951369  test accuracy: 0.946786  
4. 3  train accuracy: 0.956756  test accuracy: 0.954167  
5. 4  train accuracy: 0.96131  test accuracy: 0.958809  
6. 5  train accuracy: 0.965952  test accuracy: 0.965  
7. 6  train accuracy: 0.967351  test accuracy: 0.964405  
8. 7  train accuracy: 0.968869  test accuracy: 0.967262  
9. 8  train accuracy: 0.972321  test accuracy: 0.969643