for filename in filenames:
    """
    画像ファイルを取得、グレースケールにしてサイズ変更
    サイズを更に縮めて配列を作り、sklearnのdigitsと同じ型にする
    64画素の1画素ずつ明るさをプロット(省略)
    """
    # 画像データ内の最小値が0、最大値が1になるように計算
    min_bright = img_data256.min()
    max_bright = img_data256.max()
    img_data16 = (img_data256 - min_bright) / (max_bright - min_bright)
    # 加工した画像データの配列をまとめる
    img_test = np.r_[img_test, img_data16.astype(np.float32).reshape(1, -1)]
#畳み込み、Poolingのためにデータの次元を変える
img_test = img_test.reshape((img_test.shape[0], 8, 8, 1))

# sklearnのデータセットから取得、目的変数Xと説明変数yに分ける
digits = load_digits()
#Xの次元を変え、最小値0、最大値1にする
digit_X = digits.data.reshape(
    (digits.data.astype(np.float32).shape[0], 8, 8, 1)) / digits.data.max()
#yを1-of-k表現にする
digit_y = np.zeros((digits.target.size, 10))
index = np.arange(digit_y.shape[0])
digit_y[index, digits.target[index]] = 1
# 教師データとテストデータに分ける
train_X, valid_X, train_y, valid_y = train_test_split(
    digit_X, digit_y, test_size=0.1, random_state=0)

#層を用意 畳込み->Pooling->平滑化->全結合
layers = [
    cnn.Conv((5, 5, 1, 50), tf.nn.relu),
    cnn.Pooling((1, 2, 2, 1)),
    cnn.Flatten(),
    cnn.Dense(2 * 2 * 50, 10, tf.nn.softmax)
]

x = tf.placeholder(tf.float32, [None, 8, 8, 1])
t = tf.placeholder(tf.float32, [None, 10])
#順伝播
def f_props(layers, x):
    for layer in layers:
        x = layer.f_prop(x)
    return x
#出力
y = f_props(layers, x)
#誤差関数
cost = -tf.reduce_mean(tf.reduce_sum(t *
                                     tf.log(tf.clip_by_value(y, 1e-10, 1.0)), axis=1))
#誤差を最小化するように学習するよう設定
train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
#出力を1-of-k方式から10進の配列へ
valid = tf.argmax(y, 1)
#学習回数
n_epochs = 500
batch_size = 100
n_batches = train_X.shape[0] // batch_size

#学習前にグラフの初期化
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#学習開始
for epoch in range(n_epochs):
    train_X, train_y = shuffle(train_X, train_y, random_state=42)
    for i in range(n_batches):
        start = i * batch_size
        end = start + batch_size
        #出力結果の誤差を最小化するようにバイアスを調整
        sess.run(train, feed_dict={
                 x: train_X[start:end], t: train_y[start:end]})
    pred_y_train = sess.run(valid, feed_dict={x: train_X, t: train_y})
    pred_y_valid = sess.run(valid, feed_dict={x: valid_X, t: valid_y})
    #学習過程を出力
    if epoch % 100 == 99:
        f1_train = f1_score(np.argmax(train_y, 1).astype('int32'), pred_y_train, average='macro')
        f1_valid = f1_score(np.argmax(valid_y, 1).astype('int32'), pred_y_valid, average='macro')
        print('EPOCH:: %i, F1値(train): %.3f, F1値(valid): %.3f' % (epoch + 1, f1_train, f1_valid))1).astype('int32'), pred_y, average='macro')))

#画像データを判別
pred_y = sess.run(valid, feed_dict={x: img_test})

true_X = []
for filename in filenames:
    true_X = true_X + [int(filename[:1])]
true_X = np.array(true_X)

score = np.ones(pred_y.size)[pred_y == true_X].sum() / pred_y.size
#結果を出力
print('判別結果')
print('観測:', true_X)
print('予測:', pred_y)
print('正答率:', score)

$ python3 Handwrite_recognition.py

EPOCH:: 100, F1値(train): 0.933, F1値(valid): 0.937
EPOCH:: 200, F1値(train): 0.960, F1値(valid): 0.963
EPOCH:: 300, F1値(train): 0.971, F1値(valid): 0.963
EPOCH:: 400, F1値(train): 0.977, F1値(valid): 0.984
EPOCH:: 500, F1値(train): 0.982, F1値(valid): 0.988
判別結果
観測: [0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9]
予測: [0 0 0 1 1 1 2 2 4 1 1 4 4 4 4 5 4 4 6 4 4 7 7 9 8 1 4 4 4 9]
正答率: 0.566666666667

判別結果
観測: [0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9]
予測: [0 0 0 5 1 1 2 2 2 3 3 3 4 1 4 5 5 5 6 6 5 7 7 7 8 8 8 4 9 4]
正答率: 0.833333333333