MNIST 数字识别之softmax

这篇文章介绍tensorflow里面一个简单的机器学习算法 Softmax Regression，如果知道神经网络概念，可以把它当作是一个没有隐含层的、最浅的神经网络。基于softmax实现数字识别这里分四个部分来实现。tensorflow越来越强大，盖过了其他同类项目，迟早像android一样风靡全球，应用各种行业。

一、定义算法公式。

1.先获取数据集并查看数据集情况

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

通过上面代码获取数据集，

数据集共包含四个IDX格式文件，IDX格式是一种用来存储向量与多维度矩阵的文件格式:

• train-images-idx3-ubyte.gz: 训练集图片 - 55000 个 训练样本, 验证集有5000 个样本
• train-labels-idx1-ubyte.gz: 训练集图片对应的数字标签
• t10k-images-idx3-ubyte.gz: 测试集图片 - 10000 个样本
• t10k-labels-idx1-ubyte.gz: 测试集图片对应的数字标签
  每个集合包含图片和标签两部分内容，图片为28*28点阵图；标签为0-9之间数字。
  这些文件本身并没有使用标准的图片格式储存。使用时需要进行解压和重构。

每个样本图片是28像素*28像素大小的灰度图片，如下图；这里定空白部分全部为0，有笔迹部分根据颜色深浅可以在（0，1]之间取值，不过这个是一个简单的神经网络，有笔迹部分全部点为1。图片是二维图片，把它转变成