TensorFlow手写字识别mnist入门篇（代码及详解）

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('/2017/python/',one_hot=True)

x = tf.placeholder("float",[None,784])

#先占个位，占个tensor，等着喂图片数据

#X的行可以任意取值，表示图片数量，可以1张1张取，也可100张100张取，很显然，每次取100张效率高一些


W = tf.Variable(tf.zeros([784,10]))#权重参数
#每一列784个像素点，共10列，每一列代表0~9数字，每一列的W1~W784像素点分别用于表示每个像素点对应该数字的权重值Weight，即每个数字都有784个权重值
b = tf.Variable(tf.zeros([10]))#每个数字对应的一个偏置值bias


y = tf.nn.softmax(tf.matmul(x,W)+b)#softmax函数将算出的10个数转换成每个数字的概率值，总和为1，即最后那个概率值高，即为该数字（我理解就是归一化）
#softmax概率化函数


y_ = tf.placeholder("float",[None,10])#占个tensor，等着喂数据，图片的label
#如果是数字1，y_=[0,1,0,0,0,0,0,0,0,0],one-hot vector


#交叉熵，衡量预测的标签y与真是标签y_的关系，描述真相的低效性
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#因为本次学习，是以100张图片为一个batch，所以这里描述的是每100张图片预测性能的总和




train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#最核心的一个步骤，这里选取了梯度下降优化器，目标是将交叉熵最小化
#可以选择很多种优化器


init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)




#argmax函数，argmax(input,axis,name,dimension)
#axis=0按列fetch最大值下标向量（=1按行），dimension功能与其相同，以axis优先


#equal函数，两个矩阵对应值相同，则返回布尔型True，否则返回布尔型False，返回与第一个矩阵维度相同
#这里返回预测数字标签和真实数字标签的对比情况


#cast函数，类型转换，cast(input,dtype,name),将输入数据转换成目标类型数据


#reduce_mean()函数，求平均值，这里相当于求分类的正确率
#每训练50次，对测试数据进行预测一次
for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)#每次fetch100张图片
    sess.run(train_step,feed_dict={x : batch_xs,y_ : batch_ys})
    correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
    if i%50==0:
        print(i,sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels})) 


最后的准确率91%