Tensorflow学习记录（二）

需要先去下载MNIST数据

MNIST数据集的官网是Yann LeCun's website。在这里，我们提供了一份python源代码用于自动下载和安装这个数据集。你可以下载这份代码，然后用下面的代码导入到你的项目里面，也可以直接复制粘贴到你的代码文件里面。

import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

对应的文件以及需要下载的数据连接：https://download.csdn.net/download/qq_28767927/10638494

每一个MNIST数据单元有两部分组成：一张包含手写数字的图片和一个对应的标签。我们把这些图片设为“xs”，把这些标签设为“ys”。训练数据集和测试数据集都包含xs和ys，比如训练数据集的图片是 mnist.train.images ，训练数据集的标签是 mnist.train.labels。

数学基础比较差，所以分析部分跳过，很多博客都有了，直接实现部分

from  tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape)
sesses = tf.InteractiveSession()
# x不是一个特定的值，而是一个占位符placeholder，我们在TensorFlow运行计算时输入这个值。
# 我们希望能够输入任意数量的MNIST图像，每一张图展平成784维的向量。
# 我们用2维的浮点数张量来表示这些图，这个张量的形状是[None，784 ]。
# （这里的None表示此张量的第一个维度可以是任何长度的。）
x = tf.placeholder(tf.float32,[None,784])
# 我们赋予tf.Variable不同的初值来创建不同的Variable：在这里，
# 我们都用全为零的张量来初始化W和b。因为我们要学习W和b的值，它们的初值可以随意设置。
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
# 用tf.matmul(​​X，W)表示x乘以W，这里x是一个2维张量拥有多个输入。然后再加上b，把和输入到tf.nn.softmax函数里面。
y = tf.nn.softmax(tf.matmul(x,w)+ b)
# 需要添加一个新的占位符用于输入正确值
y_ = tf.placeholder(tf.float32, [None, 10])
# 计算交叉熵
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()
# 开始训练
for i in range(2000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    train_step.run(feed_dict={x:batch_xs,y_:batch_ys})
corrent_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(corrent_prediction,tf.float32))
print(accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels}))

好了，恶补统计先