TensorFlow实战一：实现Softmax Regression识别手写数字

# -*- coding: utf-8 -*-
"""

import input_data
#对MNIST数据进行加载
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)

import tensorflow as tf
#InteractiveSession将这个session注册为默认的session，之后的运算默认跑在这个session里
sess=tf.InteractiveSession()
x=tf.placeholder(tf.float32,[None,784],name='x')
#给Softmax Regression模型中的weights和biases创建Variable对象
W=tf.Variable(tf.zeros([784,10]))#784是特征的维数，10代表0-9的10类
b=tf.Variable(tf.zeros([10]))
#实现Softmax Regression算法
y=tf.nn.softmax(tf.matmul(x,W)+b)
y_=tf.placeholder(tf.float32,[None,10],name='y_')#placeholder是存放数据的地方，第一个参数代表数据类型，第二个代表tensor的shape
#使用cross-entropy作为loss function
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
#使用SGD作为优化算法
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#使用全局参数初始化器
tf.global_variables_initializer().run()
#迭代地执行训练操作，每次都随机从训练集中抽取100条样本构成的mini-batch，并feed给placeholder
for i in range(1000):
    batch_xs,batch_ys=mnist.train.next_batch(100)
    train_step.run({x:batch_xs,y_:batch_ys})#调用train_step对这些样本进行训练
#对准确率进行预测
#tf.argmax从一个tensor中寻找最大值的序号
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))#tf.argmax(y,1)求各个预测的数字中概率最大的那一个，tf.argmax(y_,1)则是找样本的真实数字类别，tf.equal判别预测的数字类别是否就是真实类别
#统计全部样本预测的accurancy
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#将测试数据的特征和label输入评测流程accuracy，计算模型在测试集上的准确率
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

参考：《TensorFlow实战》