深度学习入门教程：tensorflow实现简单的手写数字图片的识别和预测（单层神经网络）特别详细的基础入门教程

这个我是参考了网上的一个视频教程，主要是用tensorflow实现手写数字的识别和预测，我会给出视频网址和我的代码，希望能够帮助大家。

我用的是pycharm软件

**

先贴图：

**

程序识别手写数字的运行结果：

然后是再是预测：
在你的terminal终端中输入 python demo_03.py --is_train=0 运行

demo_03.py是你的文件名

就像这样：

然后贴一下运行结果：

**

代码如下

**

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_integer("is_train",1,"指定程序是预测还是训练")


def full_connected():
    # 获取数据
    mnist = input_data.read_data_sets("./MNIST_data/", one_hot=True)

    #1.建立数据占位符x【None,784】 y_true【None,10】
    with tf.variable_scope("data"):
        x = tf.placeholder(tf.float32,[None,784])
        y_true = tf.placeholder(tf.int32,[None,10])

    #2.建立一个全连接层的神经网络 w[784,10] bias[10]
    with tf.variable_scope("fc_model"):
        # 随机初始化权重和bias(偏置)
        weight = tf.Variable(tf.random_normal([784,10],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(tf.constant(0.0,shape=[10]))

        # 预测none个样本的输出结果matrix [None,784]*[784,10]+[10]=[None,10]
        y_predict = tf.matmul(x,weight) + bias

    # 3.求出所有样本的损失，然后求平均值
    with tf.variable_scope("soft_cross"):
        # 求平均交叉熵损失
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    # 4.梯度下降，求出损失
    with tf.variable_scope("optimizer"):
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 5.计算准确率
    with tf.variable_scope("acc"):
        equal_list = tf.equal(tf.argmax(y_true,1),tf.argmax(y_predict,1))
        # equal_list None个样本
        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))

    # 收集变量
    tf.summary.scalar("loss",loss)
    tf.summary.scalar("acc",accuracy)

    tf.summary.histogram("weights",weight)
    tf.summary.histogram("biases",bias)


    # 定义一个初始化变量的op
    init_op = tf.global_variables_initializer()

    # 定义一个合并的变量op
    merged = tf.summary.merge_all()

    # 创建一个saver
    saver = tf.train.Saver()

    # 开启会话，训练
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 建立events文件，然后写入
        filewriter = tf.summary.FileWriter("./MNIST_ljj/mnist_test",graph=sess.graph)

        if FLAGS.is_train == True:
            # 迭代步速，训练，更新参数预测
            for i in range(2000):

                # 取出真实存在的特征值和目标值
                mnist_x,mnist_y = mnist.train.next_batch(50)
                #运行train_op训练
                sess.run(train_op,feed_dict={x:mnist_x , y_true:mnist_y })

                # 写入每步训练的值
                summary = sess.run(merged,feed_dict={x:mnist_x , y_true:mnist_y })

                filewriter.add_summary(summary,i)
                print("训练第%d步，准确率为%f"%(i,sess.run(accuracy,feed_dict={x:mnist_x , y_true:mnist_y })))

            # 保存模型
            saver.save(sess,"./MNIST_ljj/ckpt/fc_model")

        else:
            # 加载模型
            saver.restore(sess,"./MNIST_ljj/ckpt/fc_model")
            # if is_train==0,则预测
            for i in range(100):
                # 每次测试一张图片
                x_test,y_test= mnist.test.next_batch(1)
                x_test = np.array(x_test)
                y_test = np.array(y_test)
                print("第%d张图片的数字是:%d，预测的结果是%d,预测准确性%f" %(
                    i,
                    tf.argmax(y_test,1).eval(),
                    tf.argmax(sess.run(y_predict,feed_dict={x: x_test, y_true: y_test}),1).eval(),
                    1 - sess.run(loss, feed_dict={x: x_test, y_true: y_test})
                ))

    return None

if __name__=="__main__":
    full_connected()

代码中有几个目录，改成自己的就好了！

参考的视频网址：https://www.bilibili.com/video/av57029635/?p=25

mnist数据下载链接：http://yann.lecun.com/exdb/mnist/

希望能够帮助到大家！