Tensorflow学习精要版I---MNIST的训练附加测试自己的图片

初识

Tensorflow里面的Python语言中的Tensor是numpy ndarray对象。

# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tf.constant(1)
new_value = tf.add(state, one)
#赋值
update = tf.assign(state, new_value)


# 启动图, 运行 op
with tf.Session() as sess:
  #初始化参数  
  tf.global_variables_initializer().run()

  # 打印 'state' 的初始值
  print sess.run(state)
  # 运行 op, 更新 'state', 并打印 'state'
  for _ in range(3):
    sess.run(update)
    print sess.run(state)

# 输出:

# 0
# 1
# 2
# 3

可见，直接sess.run(Tensor)可以或者直接返回该Tensor的结果。显然，我们可以传入更多的Tensor来同时返回更多的结果。比如下面同时传入mul和intermed张量。

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
  result = sess.run([mul, intermed])
  print result

# 输出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

发现了吗？前面都是除了constant就是variable，觉得没啥意思，功能有点挫。TF还提供了tf.placeholder(),这东西看名字就知道是占位符啊。有啥用啊，可以随时替换节点的输出。其可以设置该变量的类型，数据的维度之类的。比如tf.placeholder(‘uint8’,[None,None,3])，就可以处理任何3个通道的图片。placeholder要与feed连用。feed就是给placeholder创建的占位符喂入数据。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
  print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 输出:
# [array([ 14.], dtype=float32)]

Mnist例子初步

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

x = tf.placeholder(tf.float32,[None, 784])

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x,W) + b)

#compute cross-entropy
y_ = tf.placeholder(tf.float32,[None,10])

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))


train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

with tf.Session()