TensorFlow个人学习（训练 MNIST 数据 ）

（看了TensorFlow中文社区和极客学院的教程之后，来总结下TensorFlow的例子mnist）

新建input_data.py，用于下载 MNIST 数据集并且当做输入，具体见下面代码:

    from __future__ import absolute_import  
    from __future__ import division  
    from __future__ import print_function  
      
    import gzip  
    import os  
    import tempfile  
      
    import numpy  
    from six.moves import urllib  
    from six.moves import xrange  # pylint: disable=redefined-builtin  
    import tensorflow as tf  
    from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets  

接下来再新建一个文件，我命名为test_mnist.py，这个是用一个简单的 Softmax 回归来进行训练的代码，具体在代码里面有很详细的注释：

    #!/usr/bin/env python3  
    # -*- coding: utf-8 -*-  
      
    import input_data  
    import tensorflow as tf  
      
    #MNIST数据输入  
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)  
      
    x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量  
    W = tf.Variable(tf.zeros([784,10]))  #权重，初始化值为全零  
    b = tf.Variable(tf.zeros([10]))  #偏置，初始化值为全零  
      
    #进行模型计算，y是预测，y_ 是实际  
    y = tf.nn.softmax(tf.matmul(x,W) + b)  
      
    y_ = tf.placeholder("float", [None,10])  
      
    #计算交叉熵  
    cross_entropy = -tf.reduce_sum(y_*tf.log(y))  
    #接下来使用BP算法来进行微调,以0.01的学习速率  
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)  
      
    #上面设置好了模型，添加初始化创建变量的操作  
    init = tf.initialize_all_variables()  
    #启动创建的模型，并初始化变量  
    sess = tf.Session()  
    sess.run(init)  
    #开始训练模型，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)  
        sess.run(train_step, feed_dict={x:batch_xs,y_:batch_ys})  
          
    ''''' 进行模型评估 '''  
      
    #判断预测标签和实际标签是否匹配  
    correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))   
    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}) )  

正确率为0.9181

运行截图：

ok，完事