机器学习入门——MINST

在进行机器学习时，一般学习的第一个项目就是手写MNIST识别学习。相当于Hello,Word，方便我们初步对机器学习有一个大概的概念。

什么是MNIST？

MNIST 是一个入门级计算机视觉数据集，包含了很多手写数字图片。如下图所示，为四张MNIST图片.

（MNIST资源很有网站都可以免费下载，如果实在找不到的可以联系我）

什么是TensorFlow?

TensorFlow是谷歌于2015年11月9日正式开源的计算框架。TensorFlow计算框架可以很好地支持深度学习的各种算法，但它的应用也不限于深度学习。

TensorFlow是由Jeff Dean领头的谷歌大脑团队基于谷歌内部第一代深度学习系统DistBelief改进而来的通用计算框架。DistBelief是谷歌2011年开发的内部深度学习工具，这个工具在谷歌内部已经获得了巨大的成功。
综上，TensorFlow就是深度学习工具。也就是流图从网络的一端流动到另一端的计算过程。

基本概念

TensorFlow中所有数据都是由张量的形式表示。
张量是什么？张量是一种组合数据类型，表示一个多维数组，通用表达形式为：[T1,T2,T3,…Tn]，其中T可以是单个数字，也是是一个矩阵。
张量的维又叫张量的阶，是张量维数的一个数量描述。例：

1 #维度为0的张量
[1,2,3] #维度为1
[[1],[2]] #维度为2
[[1],[2],[3]] #维度为2
[[[1],[2]],[[3],[4]]] #维度为3

张量的形状，表达形式为[D0,D1,…Dn] D为任意正整数。例：
形状[3,4] 表示第一维有3个元素，第二维有4个元素。 [3,4]表示一个3行4列的矩阵
常量

def constant(value,dtype=None,shape=None,name=‘Const’,verify_shape=False)
value: 符合tf中定义的数据类型的常数值或者常数列表
dtype：数据类型，可选
shape：常量的形状，可选
name：常量的名字，可选
verify_shape：常量的形状是否可以被更改，默认不可更改
例：tensor_constant1 = tf.constant([1,2,3,4])

变量

TensorFlow中的变量特指深度学习机制中，控制输入到输出映射的可以变化的数据，
这些变化数据随着训练迭代的进行，不断地改变数值，不断优化，使输出的结果越来越接近于正确的结果。
例：初始化一个含有100个值为0的一维常量的变量：
w_c1 = Variable(tf.zeros([100]))

占位变量

def placeholder(dtype,shape=None,name=None)
dtype：表示tensorflow中的数据类型，如常用的tf.float32,tf.float64等数值类型
shape：表示数据类型，默认的None是一个一维的数值，shape=[None,5],表示行不定，列是5
name：张量名称
例：X = tf.placeholder(tf.float32,shape=[None,100*100])

常用函数