[TensorFlow学习笔记2]构建训练softmax分类器

# -*- coding: UTF-8 -*-
#!/usr/bin/python


#从网上download到minist相关的数据以及处理函数
import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

import tensorflow as tf

#a classifier with only softmax layer

#x是一个N * 784的矩阵，784指的是28 * 28 的图片拉伸为一行
#N为批数，由用户在运行时指定。
#x存放的是每一批的训练数据，是不断变更的，因此需要用到tf中的feed方法，因此在这里只用占位符
#None指的是这个维度的值是任意的，在这里是输入的batch的大小是任意的
x = tf.placeholder(tf.float32, [None, 784])

#用于存放真实标签
y_ = tf.placeholder("float", [None,10])

#variable是tensorflow中可以被修改的变量
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

#一行代码实现softmax的前向传播，y是预测输出
y = tf.nn.softmax(tf.matmul(x,W) + b)

#训练模型，这里用的是交叉熵，交叉熵被认为是比较好的loss function
#reduce_sum是求张量所有元素总和的求和函数。log(y)和*（这里是点乘）都是逐个元素进行的
#从这里也可以看出tensorflow中的loss function 是需要自己定义的
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#用梯度下降法优化交叉熵
#其他优化算法也是一行代码&#