之前其實我們已經有用Keras建立好CNN，過程對筆者這種初學者來說還算好上手，但誠如[Day20]所說的，TensorFlow在一些使用方法較Keras複雜，今天我們來稍微研究一下與Keras相異之處囉!重複之處就不會再多做說明。

建立MNIST資料集步驟
如下圖所示:

其實步驟與Keras相同，就不多做說明。

資料預處理

1. 鍵入程式碼，如下所示:
   
   可以發現TensorFlow所鍵入的指令會較為繁雜

建立共用函數

1. 定義weight: 我們定義weight需輸入參數shape，所以會用此方法tf.truncated_normal初始化weight函數，再加上tf.Variable建立變數，這也是與Keras最大的差異，請鍵入以下指令:

def weight(shape):
    return tf.Variable(tf.truncated_normal(shape,stddev=0.1),
                       name = 'W')

2. 定義bias
   bias為偏差，所以一樣建立常數tf.constant後，再鍵入tf.variable，如下所示:

def bias(shape):
    return tf.variable(tf.constant(0.1, shape=shape)
    ,name='b')

3. 定義conv2d
   接下來我們為了要在卷積運算時做使用，我們要建立conv2d，如下所示:

def conv2d(x,W):
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],
    padding='same')

4. 建立max_pool_2X2
   建立此函數是為了要建立好持化層，如下所示:

def_pool_2X2(x):
    return tf.nn.max.pool(x, ksize=[1,2,2,1],
                         strides=[1,2,2,1],
                         padding='same'

可以發現雖然概念相同，但TensorFlow所需的設定更繁雜，明天再繼續囉!

Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化