Tensorflow中文社区，MNIST机器学习入门，代码实现

#本文参考《Mnist机器学习入门》网址：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html
#功能：简单的图像识别数字
#识别率：0.919  -2019-10-14
#注意：本程序与input_data.py是关联的，
#input_data.py下载地址：https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/examples/tutorials/mnist/input_data.py

import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
#由于本机的tensorflow是2.0版本，为了适应以前的代码习惯而加的这两行代码
#上面两行代码等效与1.0版本中的 import tensorflow as tf

#创建一个操作单元
#placeholder是占位符，None表示任意长度
x = tf.placeholder("float", [None, 784])

#定义权重w，把w当做另外输入variable，初始化为0向量
W = tf.Variable(tf.zeros([784,10]))
#定义偏置量b，
b = tf.Variable(tf.zeros([10]))

#实现模型, matmul表示点乘， y=xW+b
y = tf.nn.softmax(tf.matmul(x,W) + b)

################
#训练模型
################

#用交叉熵作为loss函数，交叉熵是信息论中的一个概念

#添加一个占位符，用于存储（输入）正确值（目标值）
y_ = tf.placeholder("float",[None,10])
#利用交换熵的定义，计算交换熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#用梯度下降算法，以0.01的学习速度最小化交叉熵
#这只是tensorflow最简单的学习过程，将变量一点一点的往成本（loss）降低的方向移动
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化变量
init = tf.initialize_all_variables()

#在一个Session中启动模型，并初始化变量
sess = tf.Session()
sess.run(init)

############
#开始训练，1000次
###############
for i in range(1000):
    #随机抓取数据中的100个
    batch_xs,batch_ys = mnist.train.next_batch(100)
    #参数替换，然后集训运行train_step
    sess.run(train_step,feed_dict = {x:batch_xs,y_:batch_ys})

###########
#评估模型
###########
#验证预测标签值（tf.argmax(y,1)和正确标签值（）是否匹配，得到布尔值True/False
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#把布尔值转化为浮点数，取均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))

#计算正确率
print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))