MNIST入门

我使用的是Anaconda3的平台来搭建环境的，语言是python3，工具为jupter Notebook。

这个是我第一次测试MNIST数据集的测试记录，当做笔记，用的到的小伙伴也可以参考一下哦！

首先到官网下载好需要的数据，一共是四个文件。保存到桌面先。如下图所示。

接着使用win+R 打开“运行”，输入“jupyter Notebook”打开编辑工具，等待工具打开，创建一个新的空文件（python3），接着创建文件夹MNIST_data，将之前放在桌面的四个文件复制到该文件夹内，像下面这样。

然后就可以编写代码了。如下所示

#下面的代码会提示报警，影响不大
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

数据导入之后，就是开始实现模型了

#导入tensorflow
import tensorflow as tf

x = tf.placeholder(tf.float32, [None, 784])            #构建占位符，代表输入的图像，None表示样本的数量可以是任意的
W = tf.Variable(tf.zeros([784,10]))                    #构建一个变量，代表训练目标W，初始化为0
b = tf.Variable(tf.zeros([10]))                        #构建一个变量，代表训练目标b，初始化为0
y = tf.nn.softmax(tf.matmul(x,W) + b)                  #构建了一个softmax的模型：y = softmax(Wx + b)，y指样本标签的预测值
y_ = tf.placeholder("float", [None,10])                #构建占位符，代表样本标签的真实值

#交叉熵代价函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y))           

#使用梯度下降法（0.01的学习率）来最小化这个交叉熵代价函数
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)          

#添加操作，初始化变量
init = tf.global_variables_initializer()   #tf.initialize_all_variables()   使用这个会出错，但是照样可以运行。

#创建回话Session
sess = tf.Session()                                    #构建会话
sess.run(init)                                         #初始化所有变量

#训练模型，循环1000次
for i in range(1000):                                  #迭代次数为1000
  batch_xs, batch_ys = mnist.train.next_batch(100)                   #使用minibatch的训练数据，一个batch的大小为100
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})        #用训练数据替代占位符来执行训练
    
#模型评估
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))     #tf.argmax()返回的是某一维度上其数据最大所在的索引值，在这里即代表预测值和真值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))    #用平均值来统计测试准确率
print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))    #打印测试信息
sess.close()

这个测试结果大约为0.91左右。感觉还不错，虽然遇到了一些小问题，还是慢慢的解决了，运行成功后还是蛮开心的。

最后，如有不足，还希望各位小伙伴指出，谢谢。