windows7系统下，tensorflow之mnist手写体识别

1.说明

当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。因为只是机器学习的入门，所以MNIST可以很容易的在自己的笔记本上跑出来，但是中间会遇到一些问题，毕竟tensorflow在windows平台下时间还短。这里我把我遇到的问题和解决办法写出来，希望能帮助到遇到同样问题的伙伴。

2.运行环境

window7系统

Anaconda3(windows7 x64版本）

tensorflow for CPU(通过Anaconda3安装，python3.6.2)

电脑时间也不短了，还是用的windows7的系统，而且没有NIVADA显卡，只能装基于CPU版本的Anaconda。

3.借鉴相关博客

Anaconda3的安装借鉴了该博主的博客内容 Anaconda3的安装和汉化（http://www.cnblogs.com/honkly/p/7674527.html）

tensorflow的安装借鉴了另一位博主的博客内容Windows 7下通过anaconda安装tensorflow（http://blog.csdn.net/love666666shen/article/details/77099843）。这里注意在安装tensorflow的过程中，从清华大学镜像仓库下载时要选择合适的whl文件，这里原博主已给出清华大学镜像仓库的链接。

感谢两位博主的分享！

4.mnist手写体识别

遇到的没有解决的问题：

首先我准备根据tensorflow中文社区官网的内容一步一部做的时候，第一步就遇到了问题。官网给出的自动下载和安装数据集的脚本链接根本打不开。这个确实不知道为什么。

然后找到了极客学院的文章，MNIST机器学习入门（http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html）这里面脚本的链接是可以打开的。接下来运行脚本里的这部分代码，遇到了第二个问题，运行到某一步的时候出现这个提示：URLError: <urlopen error [WinError 10054] 远程主机强迫关闭了一个现有的连接。> 就是这样，在用代码直接从网站下载数据集的的时候被阻止了，查找了不少解决方法，有兴趣的可以尝试，我感觉有点麻烦就没有采用。

成功的方法：

经过查找对比各种文章内容，还有知乎大神的方案，慢慢摸索出了windows7下的完美运行的方法：

第一步：直接下载四个数据集。下载地址在这里https://github.com/wlmnzf/tensorflow-train/tree/master/mnist/Mnist_data注意下载之后不用解压，解压之后在运行程序的时候也会重新生成压缩文件，所以下载好之后不用管。

第二步：放在MNIST_data文件夹下。这个文件夹自己去新建一个就好，随便一个地方都行，有人想可不可以不用MNIST_data命名，我想应该是可以的（我没有尝试），当然改了之后的代码是要和这个文件夹名称一样的。下面这里我放在D盘里，如图所示。

其中的四个压缩文件就是下载的数据集，三个PY文件大家不用管，是我放的代码文件，不影响的。

第三步：读取数据，代码如下。

from tensorflow.examples.tutorials.mnist import input_data

MNIST_data_folder='D:/Documents/Python/MNIST/MNIST_data'

mnist=input_data.read_data_sets(MNIST_data_folder,one_hot=True)

注意第二行的代码很重要，这里我开始一直出错，因为windows系统还有python版本不一样，所以我这里的格式只有这样才不报错。大家把单引号里的内容改成自己的 MNIST_data 文件夹路径即可。

最后按照官网或者极客学院的讲解贴代码就可以了，我的代码如下。

from tensorflow.examples.tutorials.mnist import input_data
MNIST_data_folder='D:/Documents/Python/MNIST/MNIST_data'
mnist=input_data.read_data_sets(MNIST_data_folder,one_hot=True)
import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10])
# The raw formulation of cross-entropy,
#
#   tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.nn.softmax(y)),
#                                 reduction_indices=[1]))
#
# can be numerically unstable.
#
# So here we use tf.nn.softmax_cross_entropy_with_logits on the raw
# outputs of 'y', and then average across the batch.
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# Train
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
  # Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

输出结果如下：

Extracting D:/Documents/Python/MNIST/MNIST_data\train-images-idx3-ubyte.gz
Extracting D:/Documents/Python/MNIST/MNIST_data\train-labels-idx1-ubyte.gz
Extracting D:/Documents/Python/MNIST/MNIST_data\t10k-images-idx3-ubyte.gz
Extracting D:/Documents/Python/MNIST/MNIST_data\t10k-labels-idx1-ubyte.gz
0.9069