# 加载MNIST数据
# i通过nput_data.read_data_sets自动下载和导入MNIST数据集
# mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集。同时提供了一个函数,用于在迭代中获得minibatch,后面我们将会用到。
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
# 通过为输入图像和目标输出类别创建节点,来开始构建计算图。
# x为输入,y为输出,y_为模型预测。这里的x,y,y_并不是特定的值,相反,他们都只是一个占位符,可以在TensorFlow运行某一计算时根据该占位符输入具体的值。
# x: shape为[None, 784],784是一张展平的MNIST图片的维度(28*28),None表示其值大小不定,在这里作为第一个维度值,用以指代batch的大小,意即x的数量不定
# placeholder的shape参数是可选的,但有了它,TensorFlow能够自动捕捉因数据维度不一致导致的错误。
x = tf.placeholder(tf.float32, [None, 784])
# 权重W和偏置b,模型的变量,在机器学习的应用过程中,模型参数一般用Variable来表示
# 把W和b都初始化为零向量
# W是一个784x10的矩阵(因为我们有784个特征和10个输出值),b是一个10维的向量(因为我们有10个分类)
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zer
tensorflow MINIST 入门(线性回归+softmax) 超详细代码注释 19行代码直接下载数据并训练
最新推荐文章于 2024-06-07 20:05:35 发布
![](https://img-home.csdnimg.cn/images/20240611030827.png)