Tensorflow学习笔记二：mnist实例

Tensorflow实例

1. 导入数据

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
#print(mnist.train.images.shape,mnist.train.labels.shape)
#print(mnist.test.images.shape,mnist.test.labels.shape)
#print(mnist.validation.images.shape,mnist.validation.labels.shape)

2. 创建session

import tensorflow as tf
sess = tf.InteractiveSession()
#Tensorflow的计算必须要在一个Session的上下文中。Session会包含一个计算图，而这个图你添加的Tensors和Operations。
#当然，你在添加Tensor和Operation的时候，它们都不会立即进行计算，而是等到最后需要计算Session的结果的时候。
#当Tensorflow之后了计算图中的所有Tensor和Operation之后，其会知道如何去优化和执行图的计算。

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#变量用Variable来定义, 并且必须初始化

x = tf.placeholder(tf.float32,[None,784])
#使用占位符指定这个变量的类型和shape，以后再用feed的方式来输入值，类似于C语言的形参，matlab的符号变量

y = tf.nn.softmax(tf.matmul(x,W)+b)
# softmax

y_ = tf.placeholder(tf.float32,[None,10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
# reduction_indices参数，表示函数的处理维度。
# 当没有reduction_indices这个参数，此时该参数取默认值None，将把input_tensor降到0维，也就是一个数，适用于所有reduce降维相关的操作

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()
#变量定义完后，还必须显式的执行一下初始化操作

for i in range(3000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run({x:batch_xs,y_:batch_ys})
    #其中sess.run()即是执行，注意要先执行变量初始化操作，再执行运算操作。
    
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#argmax返回沿轴axis最大值的索引值，此时label是一个10维的向量，只有1个值为1，其余为0。因此对y和y_求行最大值的下标位置就是对应的数字。

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#降至0维，一个数

print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))
#

sess.close()
#当不需要session时释放相应的资源避免内存泄漏。