1.训练模型参数(权值矩阵、偏置值)并保存到指定文件夹下
#保存训练好的模型参数(权重矩阵、偏置值等)到指定文件夹中
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集,one_hot:将标签转换为只有一位为1,其它为0,会自动从网上下载数据集到当前目录
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次的大小
batch_size=100
#计算一共有多少个批次(整除)
n_batch=mnist.train.num_examples//batch_size
#该神经网络只输入层和输出层,输入层包含784个神经元,输出层包含10个神经元
#定义两个placeholder,将28*28数字图片偏平为规格为784的向量
x=tf.placeholder(tf.float32,[None,784])
#标签结果
y=tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络
#权值初始化为0, 784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将输出转化为概率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数的平均值
loss