tensorflow学习（一）

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

mnist = input_data.read_data_sets(“MNIST_data/”,one_hot=True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32,[None,784])
#不同于存储数据的tensor一旦使用掉就会消失，Variable在模型训练迭代中是持久化的（比如一直存在显存中）
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#通过softmax求概率？
y = tf.nn.softmax(tf.matmul(x,w)+b)
y_ = tf.placeholder(tf.float32,[None,10])
#reduce_sum相当于求和
#reduce_mean则用来对每个batch数据结果求均值
#这里用交叉熵定义损失函数 cross_entropy公式自查
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
#定义好优化算法后，tensorflow就会根据我们定义的整个计算图自动求导
#（我们前面定义的各个公式已经自动构成了计算图），并根据反向传播训练，

每一步迭代更新参数来减小loss，在后台tensorflow会自动添加许多运算操作

#来实现刚才提到的反向传播和梯度下降，给我们提供的就是一个封装好的优化器。
#只需要每轮迭代时feed数据给它就好。
#train_step是进行训练的操作
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()
for i in range(1000):
batch_xs , batch_ys = mnist.train.next_batch(100)
train_step.run({x:batch_xs,y_:batch_ys})
#tf.argmax是从tensor中寻找最大值的序号，tf.argmax(y,1)就是求各个预的数字最大的那个
#tf.argmax(y_,1)是寻找样本的真实数字类别
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#统计全部样本的accuracy，tf.cast将之前correct_prediction输出的bool

转为float32，再用tf.reduce_mean求平均

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

#实现一个简单的机器学习算法的流程：
#1 定义算法公式，也就是神经网络forward时的计算
#2 定义loss，选定优化器，并指定优化器优化loss
#3 迭代的对数据进行训练
#4 在测试集或者验证集上对准确率进行评测