TensorFlow MNIST TensorBoard版本

代码 

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

sess = tf.InteractiveSession()

#远程下载MNIST数据，建议先下载好并保存在MNIST_data目录下
def DownloadData():
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)    #编码格式：one-hot
    print(mnist.train.images.shape, mnist.train.labels.shape)           #训练数据55000条
    print(mnist.test.images.shape, mnist.test.labels.shape)             #测试数据10000条
    print(mnist.validation.images.shape, mnist.validation.labels.shape) #验证数据5000条
    return mnist

def Train(mnist):
    #Step1 定义算法公式Softmax Regression
    x = tf.placeholder(tf.float32, shape=(None, 784))            #构建占位符，代表输入的图像，维度None表示样本的数量可以是任意的，维度784代表特征向量，由图像大小28*28转换而来
    weights = tf.Variable(tf.zeros([784, 10]))                    #构建一个变量，代表训练目标weights，初始化为0
    biases = tf.Variable(tf.zeros([10]))                        #构建一个变量，代表训练目标biases，初始化为0
    y = tf.nn.softmax(tf.matmul(x, weights) + biases)                 #构建了一个softmax的模型：y = softmax(Wx + b)，y指样本的预测值
    y_ = tf.placeholder(tf.float32, [None, 10])  # 构建占位符，代表样本标签的真实值
    tf.summary.histogram("/weights", weights)

    #Step2 定义损失函数，选定优化器，并指定优化器优化损失函数
    # 定义交叉熵损失函数
    cross_entropy = tf.reduce_mean( -tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]) )
    tf.summary.scalar('cross_entropy', cross_entropy)

    # 使用梯度下降算法（学习率为0.5）来最小化这个交叉熵损失函数
    train = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)


    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter("output/", sess.graph)

    #Step3 训练数据
    tf.global_variables_initializer().run()
    for i in range(2001):                                                  #迭代次数
        batch_x, batch_y = mnist.train.next_batch(100)                   #一个batch的大小为100, 使用一个batch的数据来训练模型
        sess.run(train, feed_dict={x: batch_x, y_: batch_y})        #用训练数据替代占位符来执行训练
        if (i % 100 == 0):
            print("i=%d, 准确率=%g" % (i, Test(mnist, weights, biases)) )
            result = sess.run(merged, feed_dict={x: batch_x, y_: batch_y})
            writer.add_summary(result, i)
    print("准确率=%g" % Test(mnist, weights, biases))



# 在测试数据上对准确率进行评测
def Test(mnist, weights, biases):
    x = tf.placeholder(tf.float32, [None, 784]) #测试数据
    y = tf.nn.softmax(tf.matmul(x, weights) + biases) #预测值
    y_ = tf.placeholder(tf.float32, [None, 10]) #真实值
    # tf.argmax()返回的是某一维度上其数据最大所在的索引值，在这里即代表预测值和真实值
    # 判断预测值y和真实值y_中最大数的索引是否一致，y的值为1-10概率
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 用平均值来统计测试准确率
    return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})  # 打印测试信息


def main():
    mnist = DownloadData()
    Train(mnist)

if __name__ == '__main__':
    main()

运行TensorBoard