Python3实现MNIST机器学习入门的例子

MNIST数据集下载地址

MNIST机器学习入门的中文官网，这个例子官网从上到下边分析边进行，而且还是基于Python2的，这里是通过Python3并且以py文件的形式进行编写，方便大家学习！

# -*- coding: utf-8 -*-
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

# 下载测试数据集mnist
# 会自动下载，网络不好的话就多试几次
# 第一个参数为下载的路径，one_hot 是二进制读入的方式
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 实现回归模型
# x不是一个特定的值，而是一个占位符placeholder
x = tf.placeholder("float", [None, 784])

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# tf.matmul(​​X，W)表示x乘以W，对应之前等式里面的Wx + b
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 训练模型
# 实际分布
y_ = tf.placeholder("float", [None, 10])
# 交叉熵
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
# 梯度下降算法（gradient descent algorithm）以0.01的学习速率最小化交叉熵
# 当然TensorFlow也提供了其他许多优化算法：只要简单地调整一行代码就可以使用其他的算法。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    # 启动我们的模型，并且初始化变量
    sess.run(init)
    # 开始训练模型，这里我们让模型循环训练1000次！
    for i in range(1000):
        # 随机抓取训练数据中的100个批处理数据点
        batch_xs, batch_ys = mnist.train.next_batch(100)
        # 用这些数据点作为参数替换之前的占位符来运行train_step
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

    # 评估我们的模型
    # tf.argmax 是一个非常有用的函数，它能给出某个tensor对象在某一维上的其数据最大值所在的索引值
    # f.argmax(y,1)返回的是模型对于任一输入x预测到的标签值，而 tf.argmax(y_,1) 代表正确的标签
    # 用 tf.equal 来检测我们的预测是否真实标签匹配
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

    # 把布尔值转换成浮点数，然后取平均值
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

    # 计算所学习到的模型在测试数据集上面的正确率
    print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


# 结果：
# 0.9205

这里还是要提醒大家要细心，很容易将y和y_等写错，另外不要直接复制代码，希望大家自己手敲，这样可以加深印象。

如果大家在开发过程中有碰到任何问题，可以在下方进行评论留言，将第一时间为你解决！