tensorflow入门编程--教你写helloWord和第一个datamnsit训练集

二话不说先上代码，让你跑出来看看是什么效果再说，
但是以下是基于您的tensorflow环境已经具备的情况下。

运行一个线性差分回归函数算法。当成你的第一个helloworld。
下面的代码可以直接运行

---

第一个训练程序：线性回归 helloworld

代码介绍：
定义了一个已知的线性函数：y =ax+b, a=0.1 b=0.3
现在，随机取X值，随机区间为 -1,1； 计算得到Y的值与精准值取差分，不断迭代模拟，达到一定的精准度。所谓步数，就是迭代的次数。

这就是训练以及训练步数的基本概念。下面就是代码实现可以跑出来看看情况。

import tensorflow as tf
import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# Before starting, initialize the variables.  We will 'run' this first.
init = tf.global_variables_initializer()

# Launch the graph.
sess = tf.Session()
sess.run(init)

# Fit the line.
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

---

datamnsit 数据集的使用

可以耐心看看代码，其实很简单，不要想的多复杂。只不过是调用了tensorflow库

# -*- coding: utf-8 -*-

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 下载MINIST数据集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)


# None表示输入任意数量的MNIST图像，每一张图展平成784维的向量
# placeholder是占位符，在训练时指定
x = tf.placeholder(tf.float32, [None, 784])

# 初始化W，b矩阵
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# tf.matmul(​​X，W)表示x乘以W
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 为了计算交叉熵，我们首先需要添加一个新的占位符用于输入正确值
y_ = tf.placeholder("float", [None, 10])

# 交叉熵损失函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

# 模型的训练，不断的降低成本函数
# 要求TensorFlow用梯度下降算法（gradient descent algorithm）以0.01的学习速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 在运行计算之前，需要添加一个操作来初始化我们创建的变量
init = tf.global_variables_initializer()


# 在Session里面启动我模型，并且初始化变量
sess = tf.Session()
sess.run(init)

# 开始训练模型,循环训练1000次
for i in range(50):
    # 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)
    # 然后我们用这些数据点作为参数替换之前的占位符来运行train_step
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})


# 检验真实标签与预测标签是否一致
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

# 计算精确度，将true和false转化成相应的浮点数，求和取平均
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}))