MNIST数据集分类的处理

原本是用VS编辑的，但是一直无法下载MNIST—data数据集，最后用了pycharm，以下是手打的，可以直接运行。可以通过改变学习率来改变训练的准确度，学习率为0.2时，准确率最高是0.72，改为0.5后准确率直接从0.89开始增加到0.92;也可以通过改变权值的赋值来提高准确率。

# mnist 数据集分类的处理
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
# 批次大小
batch_size = 64  # 32/ 64/ 128 一般取2的倍数， 指一次放入多少个
# 计算一共有多少个批次
n_batch = mnist.train.num_examples

# 定义两个Placeholder
x = tf.placeholder(tf.float32, [None, 784])  # 一个是训练数据n行，784列。一个是标签。n行10列，10个one-hot
y = tf.placeholder(tf.float32, [None, 10])

# 创建一个简单的神经网络：784-10(一张图片有784个像素，预测结果有10个独热编码)
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W)+b)

# 二次代价函数
loss = tf.losses.mean_squared_error(y, prediction)
# 使用梯度下降法
train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
# 比较，相等为TRUE，不等为FALSE，比较预测值与真实值是否相同
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
# argmax是取预测值最大值所在的位置
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 所有的TRUE变成1,FALSE变成0,然后转换为平均值

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # for _ in range(1000):方法1是训练一千次
    # 方法二是训练周期 epoch 所有的数据训练一次就是一个周期
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train, feed_dict={x: batch_xs, y: batch_ys})
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter" + str(epoch) + ",Testing Accuracy " + str(acc))