一个菜鸡的自强之路-MNIST手写数字分类问题（基础篇）

本文链接：https://blog.youkuaiyun.com/snail_youth/article/details/88955432

本文记录了一名新手在理解MNIST手写数字分类问题上的学习过程，通过TensorFlow实现基本代码，并详细解释了涉及的模块函数，包括placeholder、reduce_sum、reduce_mean、equal、argmax、exp和softmax等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

各种模块各种函数一一查询，还是不是很理解MNIST手写数字分类问题（基础篇）的实现，作为菜鸡先记录下来，留作以后复盘使用。废话不多说，先进入正题。

一、实例代码

当然我是一个比较懒的人，为了防止下次还需要重新手敲代码，所以这里肯定会贴一个源代码的。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#引入模块和官方minist实例
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#下载测试数据和训练数据，存放在同py文件MNIST_data文件夹中
x = tf.placeholder("float", [None, 784])
#插入一个张量占位符x
W = tf.Variable(tf.zeros([784,10]))
#定义图变量w为一个以0.填充的784x10的数组
b = tf.Variable(tf.zeros([10]))
#定义图变量b为一个以0.填充的1x10的数组
y = tf.nn.softmax(tf.matmul(x,W) + b)
#x,w数组相乘再加上b做softmax运算
y_ = tf.placeholder("float", [None,10])
#插入一个张量占位符y_
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#各维度上之和取反（计算交叉熵）
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#tensorflow用梯度下降算法以0.01的学习率最小化交叉熵
init = tf.initialize_all_variables()
#添加操作来初始化创建的变量
sess = tf.Session()
sess.run(init)
#启动模型，初始化变量
for i in range(1000)