（三）tensorflow学习之旅——mnist的softmax分类示例

Tensorflow的学习文档有不少，但是最好找一个文档，从简单到复杂，逐步学习！我选择的是Tensorflow官方文档中文版（极客学院翻译）。

Tensorflow可以用于机器学习和深度神经网络算法的开发，但是其用于机器学习时，要用tf的语句语法编写算法，算法没有封装起来，比较麻烦，无法体现tf的强大！机器学习方面的库有不少，API封装的也非常好，例如Scikit-learn。所以学习tensorflow，我主要学习他在神经网络方面的使用！

下面是最基础的一个示例，MNIST数据集的分类，使用的方法是Softmax分类器。

注意：1.mnist一张图像大小是28*28，展开成向量就是784维，这里读入的数据就是784这种形式的

            2.这里没有提取任何特征，以纯数据作为输入，y=softmax(matmaul(x,w)+b)

# mnist softmax 分类器
#jhj  python 3.5
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
FLAGS = None
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#######################################构造图#############################
#输入输出占位  None代表此张量的一维可以是任意的长度，由于后面是batch处
#理，所以这里没指定长度，其实可以指定为batch_size
x = tf.placeholder("float",[None, 784]) # create symbolic variables
y_= tf.placeholder("float",[None, 10])

#softmax分类器的权重和偏置
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
#模型 矩阵乘法（x,W）+b
y=tf.nn.softmax(tf.matmul(x,W)+b)

#代价是交叉熵
cross_entropy=-tf.reduce_sum(y_*tf.log(y))
#训练op 采用梯度下降法最小化代价函数，学习率为0.01
train_op=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

################################打开会话#################################
sess=tf.Session()
#首先要初始化变量
init = tf.global_variables_initializer()
sess.run(init)
#循环批处理，训练模型
for i in range(1000):
	batch_xs,batch_ys=mnist.train.next_batch(100)  #索要下一批次的图像和标签
	sess.run(train_op,feed_dict={x:batch_xs,y_:batch_ys})  #这里传参应该是y_  而不是y！！！！#训练一次更新一次W和b
	print(sess.run(batch_ys))#方便我看数据，标签是[0 0 0 0 1 0 0 0 0 0]这种形式的 
	
#测试模型的建立
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) #返回的是布尔型的
#这里feed的是test数据！
print(sess.run(correct_prediction, feed_dict={x: mnist.test.images,
                                      y_: mnist.test.labels}))
#将布尔型转换为数字
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images,
                                      y_: mnist.test.labels}))