此代码全部来自TensorFlow官网,链接为http://www.tensorfly.cn/tfdoc/api_docs/SOURCE/tutorials/mnist_beginners.html
#导入官方的源码下载mnist数据
import tensorflow.examples.tutorials.mnist.input_data as input_data
# 导入数据,里面的压缩文件不要解压
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#设置输入占位符,即预先申请空间,此时没有把mnist数据赋值给x操作
x = tf.placeholder(tf.float32, [None, 784])
#初始化权重和偏执项,Variable语法代表w和b是可修改的张量
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#网络输出y,使用softmax转化为概率进行分类,tf.matmul代表矩阵相乘
y = tf.nn.softmax(tf.matmul(x,W) + b)
#y_是实际输出,即标签输出
y_ = tf.placeholder("float", [None,10])
#损失函数,交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#选择梯度下降算法,并设置学习率以及最小化误差函数(这里是交叉熵)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化所有的变量
init = tf.initialize_all_variables()
#创建一个会话,即将开始执行TensorFlow模型
sess = tf.Session()
sess.run(init)
#训练,
for i in range(1000):
#TensorFlow里mnist的内置函数,代表随机选取一个批次,批次大小自己设置,这里指100
batch_xs, batch_ys = mnist.train.next_batch(100)
#执行,并赋值给 x 以及 y_
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#评估自己的模型
#判断两个值是否相等,相等的返回true,否则false
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#bool转化为float类型,tf.reduce_mean是求平均指
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#最后,输出测试集上的准确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))