TensorFlow 入门之训练 MNIST 数据

学习深度神经网络一段时间了，把当初跑的代码贴上来，这篇博文是看完极客学院的文档后写的的，我把指导重新整理和汇总了一下贴出来。主要有以下几步：

1.  新建module，我命名为my_tensorflow_code，里面新建文件__init__.py，可以是空文件

2.  新建input_data.py，用于下载 MNIST 数据集并且当做输入，具体见下面代码:

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import gzip
import os
import tempfile

import numpy
from six.moves import urllib
from six.moves import xrange  # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

3. 接下来再新建一个文件，我命名为test_mnist.py，这个是用一个简单的 Softmax 回归来进行训练的代码，具体在代码里面有很详细的注释：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import input_data
import tensorflow as tf

#MNIST数据输入
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量
W = tf.Variable(tf.zeros([784,10]))  #权重，初始化值为全零
b = tf.Variable(tf.zeros([10]))  #偏置，初始化值为全零

#进行模型计算，y是预测，y_ 是实际
y = tf.nn.softmax(tf.matmul(x,W) + b)

y_ = tf.placeholder("float", [None,10])

#计算交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#接下来使用BP算法来进行微调,以0.01的学习速率
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#上面设置好了模型，添加初始化创建变量的操作
init = tf.initialize_all_variables()
#启动创建的模型，并初始化变量
sess = tf.Session()
sess.run(init)
#开始训练模型，循环训练1000次
for i in range(1000):
	#随机抓取训练数据中的100个批处理数据点
	batch_xs, batch_ys = mnist.train.next_batch(100)
	sess.run(train_step, feed_dict={x:batch_xs,y_:batch_ys})
	
''' 进行模型评估 '''

#判断预测标签和实际标签是否匹配
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#计算所学习到的模型在测试数据集上面的正确率
print( sess.run(accuracy, feed_dict={x:mnist.test.images, y_:mnist.test.labels}) )

有一些注意的地方就是，当在一定程度上增加训练次数的时候，正确率会有一点的提高。还有一点就是取的batch大的时候，进行BP传播的时候收敛速度会快一些，但是相应的训练的时间消耗的就会增加。

以上就是 TensorFlow入门的第一个demo。