利用占位符进行数据传递，feed_dict

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


'''
占位符
'''
x_data=tf.compat.v1.placeholder(tf.float32,[None,784])  # 占位符：样本自变量
y_data=tf.compat.v1.placeholder(tf.float32,[None,10])  # 占位符：样本目标变量

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)  # 训练节点

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(1000):
    x_s,y_s=mnist.train.next_batch(100) # 随机选取100个数据进行传递
    if i%50==0:
        acc_tr = sess.run(acc, feed_dict={x_data: x_s, y_data: y_s})
        print(i, '轮训练的精度', acc_tr)
    sess.run(train,feed_dict={x_data:x_s,y_data:y_s}) # 模型训练
acc_te=sess.run(acc,feed_dict={x_data:mnist.test.images,y_data:mnist.test.labels})  # 测试集精度
print('模型测试集精度',acc_te)
sess.close()