简单的手写数字识别

个人笔记 感谢指正

手写数字识别

参考链接：https://blog.csdn.net/qq_32241189/article/details/80450741

1.导入包

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

2.导入数据集

mnist = input_data.read_data_sets('MNIST_data',one_hot=True)  

#read_data_sets函数是专门下载MNIST数据集的，注意这里注意这里是one_hot,即标签不是一个值而是一个向量
#数据集分为train,validation,test三个数据集：

1.返回数据集train样本数 mnist.train.num_examples

2.返回数据集validation样本数 mnist.validation.num_examples

3.返回数据集test样本数 mnist.test.num_examples

4.使用mnist.train.images返回train数据集中的所有图片的像素值

5.使用mnist.train.labels返回train数据集中的所有图片的标签

6.使用mnist.train.next_batch()将数据输入神经网络

3.定义批次的大小

batch_size = 100

4.计算批次的数量

n_batch = mnist.train.num_examples // batch_size

5.定义变量的summary函数

def variables_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var) #reduce_mean()函数可以进行多种均值操作，详见函数的定义
        tf.summary.scalar('mean',mean) #设置标量，以在tensorboard中显示
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean))) #计算标准差
        tf.summary.scalar('stddev',stddev)
        tf.summary.scalar('max',tf.reduce_max(var)) #求出最大值
        tf.summary.scalar('min',tf.reduce_min(var)) #求出最小值
        tf.summary.scalar('histogram',var) #直方图

6.定义初始化权重函数

def weight_variable(shape,name):
    initial = tf.truncated_normal(shape,stddev=0.1)  #产生服从正态分布的shape形状的tensor
    return tf.Variable(initial,name=name)    #将initial包裹为变量，即其中的值可以改变

#tf.truncated_normal()函数&