Tensorflow MNIST解析

数据的导入

函数read_data_sets(“数据地址”)
导入后的数据函数自动分成了train,validation,test三个对象

#可以通过下面的方式查看大小
print (data.train.num_examples)
print (data.validation.num_examples)
print (data.test.num_examples)

导入后的3个对象可以使用API，next_batch(size)获得下一组数据, 其中size是下一组的大小。

x_cur,y_cur = data.train.next_batch(100)

利用神经元网络对MNIST进行识别

一个神经元网络，由于其复杂程度，存在了好多优化的可能性，因此，在下面的代码中，我也会首先构造一个最基本的神经元网络，然后，从多个方面对其进行优化。

• 损失函数的定义
• 隐藏层数和隐藏层节点个数
• 学习率
• 优化算法
• 正则化

最基础版本

import input_data
import tensorflow as tf
batch_size = 100
hidden1_nodes = 200
# 输入节点
x = tf.placeholder(tf.float32,shape=(None,784))
y = tf.placeholder(tf.float32,shape&