Tensorflow学习：手写数字识别（简单的神经网络，不含隐层：MNIST数据集分类简单版本）

Tensorflow学习：手写数字识别（简单的神经网络，不含隐层）

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

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

# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去
batch_size = 100
# 计算一共多少个批次 //:整除
n_batch = mnist.train.num_examples // batch_size

# 定义两个placeholder  None:过会以一个批次喂进去，784：28*28(把一个图片拉成一个784的向量) 10:输出时0-9的10个数
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# 定义一个简单的神经网络（只有输入层784个神经元，输出层10个神经元，不用隐层）
# 定义权值
W = tf.Variable(tf.zeros([784, 10]))
# 定义偏向值
b = tf.Variable(tf.zeros([10]))
# 通过softmax函数转化为概率值
prediction = tf.nn.softmax(tf.matmul(x, W) + b)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法进行优化：是loss最小化,学习率：0.2
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 判断真实值与预测值是否相同（布尔类型），相同返回true
# tf.arg_max(prediction,1):求概率最大的数在哪个位置，相当于他的标签（返回一维张量中最大的值所在的位置）
correct_prediction = tf.equal(tf.argmax(y, 1), tf.arg_max(prediction, 1))

# 求准确率：cast：将bool类型转换成32位float类型，然后求一个平均值（true=1，false=0）
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 进行训练
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 训练次数：迭代21次
    for step in range(21):
        for batch in range(n_batch):
            # 获得一个批次：100张图片
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # 把数据喂给它进行训练
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
        # 进行完一次迭代训练打印出准确率：测试用的测试集中的图片和标签
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter" + str(step) + ",Testing Accuracy：" + str(acc))

进阶：可以对这个简单的神经网络进行优化：
1、batch_size：可以调整为50或者其他
2、可以增加隐藏层：可以增加一个隐藏层或者两个隐藏层，隐藏层的神经元可以设置10个或者100个。
3、损失函数可以不用二次代价函数，可以使用交叉熵代价函数和对数释然代价函数。
4、可以不使用梯度下降算法进行优化（或者改变梯度下降算法的学习率）。
5、训练的迭代次数可以进行改变，可以变成100或者200次迭代训练次数。

下面是将二次代价函数改成对数释然代价函数的训练结果

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

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

# 每个批次的大小：一次性向神经网络中放入100张图片进行训练:以矩阵的形式放进去
batch_size = 100
# 计算一共多少个批次 //:整除
n_batch = mnist.train.num_examples // batch_size

# 定义两个placeholder  None:过会以一个批次喂进去，784：28*28(把一个图片拉成一个784的向量) 10:输出时0-9的10个数
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# 定义一个简单的神经网络（只有输入层784个神经元，输出层10个神经元，不用隐层）
# 定义权值
W = tf.Variable(tf.zeros([784, 10]))
# 定义偏向值
b = tf.Variable(tf.zeros([10]))
# 通过softmax函数转化为概率值
prediction = tf.nn.softmax(tf.matmul(x, W) + b)

# 二次代价函数
# loss = tf.reduce_mean(tf.square(y - prediction))
# 对数似然代价函数:label:真实标签值，logits：预测值，需要求下平均值
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 使用梯度下降法进行优化：是loss最小化,学习率：0.2
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 判断真实值与预测值是否相同（布尔类型），相同返回true
# tf.arg_max(prediction,1):求概率最大的数在哪个位置，相当于他的标签（返回一维张量中最大的值所在的位置）
correct_prediction = tf.equal(tf.argmax(y, 1), tf.arg_max(prediction, 1))

# 求准确率：cast：将bool类型转换成32位float类型，然后求一个平均值（true=1，false=0）
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 进行训练
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 训练次数：迭代21次
    for step in range(21):
        for batch in range(n_batch):
            # 获得一个批次：100张图片
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # 把数据喂给它进行训练
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
        # 进行完一次迭代训练打印出准确率：测试用的测试集中的图片和标签
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter" + str(step) + ",Testing Accuracy：" + str(acc))

附件：数据集连接：链接: https://pan.baidu.com/s/1tHdV4De4PLx-lEpvtheXMg 提取码: e1j1