TensorFlow 面向专家的Minist笔记（中文，简化版）（Deep MNIST for Experts）

placehoder数据类型：

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

表示placehoder的大小，任意行数，仅要求列数为784

placehoder对数据的尺寸作自调整

Variable数据类型：

W = tf.Variable(tf.zeros([784,10]))

Variable必须手动初始化才可使用，其初始化函数为tf.global_variables_initializer()，然而这句函数要运行，还有用sess.run（）封装：sess.run(tf.global_variables_initializer())

定义计算图：

写出计算方程，把数据的矩阵写进去：

y = tf.matmul(x,W) + b

定义loss
loss=tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)

定义优化目标：样本平均loss

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))

设定训练方式：

对优化目标，选择优化方向：
minimize(cross_entropy)
选择train类里的优化算法（如梯度下降，步长由参数决定）：
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

运行训练：

train_step.run（）

此代码将运行一次.

分批多次计算的时候，应使用循环，并把数据分成批次（batch），分批次的方法已经内置：

batch = mnist.train.next_batch(100)

运行的时候，必须feed进batch的输入，如下：

for _ in range(1000):
  batch = mnist.train.next_batch(100)
  train_step.run(feed_dict={x: batch[0], y_: batch[1]})

评估模型：

argmax模块

argmax(y,1)会给出y中