测试程序也是很简单。

首先创建计算图：

with tf.Graph().as_default() as g:

计算图的输入和输出占位与之前反向传播的函数一样：

        x = tf.placeholder(tf.float32, [
            mnist.test.num_examples,
            mnist_lenet5_forward.IMAGE_SIZE,
            mnist_lenet5_forward.IMAGE_SIZE,
            mnist_lenet5_forward.NUM_CHANNELS])

        y_ = tf.placeholder(tf.float32, [None, mnist_lenet5_forward.OUTPUT_NODE])

要注意的是，构建测试图的时候，forward的第二个参数要设为FALSE，表示我们的计算图是用来测试的，所以不用dropout。

        y = mnist_lenet5_forward.forward(x, False, None)

后面的恢复过程和准确率计算也是几乎完全一样：

                    reshaped_x = np.reshape(mnist.test.images, (
                        mnist.test.num_examples,
                        mnist_lenet5_forward.IMAGE_SIZE,
                        mnist_lenet5_forward.IMAGE_SIZE,
                        mnist_lenet5_forward.NUM_CHANNELS))
                    accuracy_score = sess.run(accuracy,
                              feed_dict={x: reshaped_x, y_: mnist.test.labels})  # 计算出测试集上准确率

训练到50000次以上的时候，打印输出的结果表示准确率在百分之九十九左右。

卷积网络的初步构建的讲解到这里就完了。下面是关于更有挑战性的卷积神经网络的构建。