Tensorflow学习笔记：基础（01）-Mnist手写集最原始版

# 本篇主要用来认识Tensorflow实现神经网络的一般流程，最简单最原始的实现方法，不关注具体提升错误率技巧。

## Mnist数据集是所提供的一个手写数据集。

 

## 安装数据集

可以下载到本地，也可以用Google的,Colaboratory 是免费的 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。推荐使用它，记得搭梯子。

两行代码安装：

import  tensorflow.examples.tutorials.mnist.input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

这个数据集中，总共有6w行训练数据集，1w行测试数据集，每张图片都是28*28的像素点矩阵。把这个二维矩阵展开成一维向量，长度是28*28=784.

在MNIST训练数据集里，训练集图片（mnist.train.images）是一个形状为[60000,784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点。在此张量里的每一个元素，都表示某张图片里的某个像素的强度值，值介于0和1之间。 

## 分类器使用softmax，具体原理见。。。

然后来实现一个最简单的两层全连接网络来完成MNIST数据的分类问题，输入层784个神经元，对应每张图片784个像素点；输出层十个神经元，对应0-9这10个数字，实现分类。

 

##　计算流程

1. 数据准备

2. 准备好placeholder

3. 初始化参数/权重

4. 计算预测结果

5. 计算损失值

6. 初始化优化器optimizer

7. 指定迭代次数，在session执行graph

 

##　代码

1. 准备数据

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 每个批次送100张图片
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples / batch_size

2. 准备好placeholder

x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

3. 初始化参数、权重

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

4. 计算预测结果

prediction = tf.nn.softmax(tf.matmul(x, W) + b)

5. 计算损失值

loss = tf.reduce_mean(tf.square(y - prediction))

6. 初始化优化器optimizer

learning_rate = 0.2
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

# 计算结果存在boolean list,argmax()函数返回一维张量中最大值所在的位置
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))

#　计算准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

7. 指定迭代次数

n_sample = xs.shape[0]
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(optimizer, feed_dict={x: batch_xs, y:batch_ys})
        
        acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.label})
        if epoch % 2 == 0:
            print('Iter ' + str(epoch) + ',Testing Accuracy ' + str(acc))

一些可以优化的方向：

1. 增加神经网络层数，添加隐层；

2. 将二次代价函数修改成交叉熵函数呢？

3. 尝试多选几个梯度下降优化器呢？