识别手写数字

依然是TensorFlow滴内容，一起学习吧！
1.No module named 'tensorflow.examples.tutorials’报错

from tensorflow.examples.tutorials.mnist import input_data

上面代码报错的大部分原因是缺少tutorials文件，有个大神解决的办法很实用，可以下载缺少的文件，大神链接
2.神经网络模型的构建
输入神经元的个数与自变量的个数相同，这里是784个
输出神经元的个数与标签集合元素个数相同，这里是10个，因为只有10个数字
3.激活函数的选择
softmax函数

该函数值在0-1之间，累加和为1，满足分布函数的要求
4.交叉熵验证

也作损失函数，该函数值越小越好，其中y的导数代表的是真实值，对预测值取对数并对应相乘，为避免出现无穷，在log里加入一个很小的值

# 交叉熵来验证好坏
import numpy as np
real=np.array([1,0,0,0,0,0,0,0,0,0,0])
p1=np.array([0.4,0.3,0.3,0,0,0,0,0,0,0,0])
p2=np.array([0,0.3,0.3,0.4,0,0,0,0,0,0,0])

-sum(real*np.log(p1+0.00000001))

5.RuntimeError: loss passed to Optimizer.compute_gradients should be a function when eager execution is enabled.
用的版本不同，TensorFlow2.0中，要提前关闭eager execution，因为eager execution是默认开启的，所以在最前面加入

tf.compat.v1.disable_eager_execution()

6.还原图形
这种图形是带颜色的

# 还原某张图片
import matplotlib.pyplot as plt
a=mnist.train.images[3]
b=a.reshape([28,28])
plt.imshow(b)

上代码！

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

tf.compat.v1.disable_eager_execution()
# 版本问题，先关闭eager_execution
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 忽略掉警告


mnist = input_data.read_data_sets('MINST_data', one_hot=True)

# one_hot,标签以编码的形式展现

x_data = mnist.train.images
y_data = mnist.train.labels

w = tf.Variable(tf.zeros([784,10]))  # 网络权值矩阵
bias = tf.Variable(tf.zeros([10]))  # 网络阈值
y = tf.nn.softmax(tf.matmul(x_data,w)+bias)  # 网络输出

cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_data*tf.compat.v1.log(y),axis=1))
# 按行求和,最后形成55000个交叉熵的值，然后再求个平均(损失函数)
optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.03)  # 梯度下降法优化器
train = optimizer.minimize(cross_entropy)

acc=tf.reduce_mean(tf.cast(tf.equal(tf.argmax(y,axis=1), tf.argmax(y_data,axis=1)),dtype=tf.float32))
# tf.cast换成浮点型,True=1.0,False=0.0,并指定dtype的浮点型
# acc为模型精度

# 启动会话
sess=tf.compat.v1.Session()
sess.run(tf.compat.v1.global_variables_initializer())  # 执行变量的初始化操作
for i in range(100):
    print(i,'轮训练的精度',sess.run(acc))
    sess.run(train) # 模型训练
sess.close()

预祝各位成功实现代码哟！