TensorFlow入门例程-mnist手写数据集

使用TensorFlow训练模型，大概分为以下几个步骤：

1. 下载数据集，导入mnist数据集
2. 定义变量并初始化，声明用到的占位符
3. 建立模型
4. 训练模型，首先需要定义一个指标来评估这个模型的好坏。在本教程中使用交叉熵来表征模型的性能好坏。
5. 使用一些优化算法（如梯度下降法）来最小化目标函数（交叉熵）
6. 评估模型，判断预测值和真实值之间的差值。得到预测的准确率

具体的注释在程序中都能看到

程序如下：

import tensorflow as tf

# 导入mnist数据集
import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# x不是一个特定的值，而是一个占位符，在TensorFlow运行计算时输入这个值，在sess.run()中更新此值
x = tf.placeholder("float", [None, 784])

# W和b是变量，并初始化为0，
# 因为我们要学习W和b的值，它们的初始值可以随意设置
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 建立模型，利用softmax函数生成模型
y = tf.nn.softmax(tf.matmul(x, W) + b)


# 训练模型
# 我们首先需要定义一个指标来评估这个模型是好的，在这里使用交叉熵cross_entropy
# 为了计算交叉熵，我们首先定义一个新的占位符y_用于输入正确值
y_ = tf.placeholder("float", [None, 10]) # 同变量x，
cross_entropy = -tf.reduce_mean(y_*tf.log(y))

# 使用梯度下降算法以0.01的学习速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化我们创建的所有变量
init = tf.initialize_all_variables()

# 在一个Session中启动我们的模型
# 让模型循环训练1000次
# 该循环的每个步骤中，我们都会随机抓取训练数据中的100个批处理数据点
sess = tf.Session()
sess.run(init)
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# 评估模型
# tf.argmax能给出某个tensor对象在某一维上的其数据最大值所在的索引值
# 用tf.equal来检测我们的预测是否和真实标签匹配
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))