https://www.tensorflow.org/get_started/mnist/pros

深入MNIST专家

TensorFlow是一个强大的库能够运行大规模的数学计算。其中一个任务就是实施和训练深度神经网络。在本教程中，我们将在构建一个深卷积MNIST分类器的同时学习TensorFlow模型的基本构建模块。

关于这个教程：

教程的第一部分，解释了mnist_softmax.py里面的代码，mnist_softmax.py是一个基本的Tensorflow的模型实现。第二部分将讲述一些办法来提高模型的准确性。

你可以跟着把本教程的每个代码段复制到Python的环境中，也可以从mnist_deep.py下载完整的深度网络实现。

本教程要完成的内容：

创建一个用于识别MNIST手写数字模型的softmax回归函数，基于查看图片的每个像素点。

        使用Tensorflow来通过“看”上千张示例图片的办法来训练模型识别数字（并运行我们的第一个Tensorflow会话）

        用测试数据来检查我们的模型的准确率

        建造，训练，和测试一个多层卷积神经网络来提高这个结果

安装：

在创建模型之前，我们首先加载MNIST数据集，同时开始一个TensorFlow会话。

加载MNIST数据集：

如果你是从本教程复制粘贴代码，从这里开始，这两行代码将会自动下载和读取数据集。

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

这里的   mnist  是一个轻量级的类，用Numpy数组的方式存储了训练、验证和测试数据。它还提供了一个迭代数据最小化的功能，我们接下来会用到。

开始TensorFlow互动会话

TensorFlow 依赖一个高效的C++后端进行运算。这种连接到它的后端的方式叫做会话。TensorFlow程序的常见用法是首先创建一个模型，然后在会话中启动它.

这里我们采用方便的InteractiveSeesion类，它可以让TensorFlow更加灵活的构建你的代码。它允许你在构建计算模型进行运行这个模型时进行一些插入操作。当你在比如Ipython这样的运行环境时特别方便。如果你不打算使用InteractiveSession，你应该在开始会话前构建好计算模型然后运行模型。

import tensorflow as tf
sess = tf.InteractiveSession()