tensorflow简单使用案例--mnist数集分类（1）

1.mnist数集介绍

MNIST数据集官网： Yann LeCun's website

6w行训练数据集，1w行测试训练集

训练集：训练集数据（t10k-images.idx3-ubyte）和训练集标签（t10k-labels.idx1-ubyte）

每张图片28*28=784，因此训练集mnist.train.images是一个形状为【60000，784】的张量第一个维度数字 用来索引图片，第二个维度的数字用来索引每一张图片中的像素点，像素强度介于0-1之间

数据集的标签是介于0-9的数字，要把标签转化为“one-hot vectors",数据集mnist.train.labels是 一个【60000，10】的数字矩阵

2.softmax函数

用来分类，得到的结果转化为概率。

3.代码部分

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

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples//batch_size

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])#一张图片784
y = tf.placeholder(tf.float32,[None,10])

#创建简单神经网络，输入层784个神经元，输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数
# loss = tf.reduce_mean(tf.square(y-prediction))

#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()

#返回prediction中概率最大的标签（总共10个），再equal比较
#如果位置相同，结果为1，否则0，结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置

#求准确率
#cast为转换类型，再求平均值，平均值就是准确率，因为只有0.1，理解一下！
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    #所有数据迭代21次
    for epoch in range(21):
        #每一次迭代的批次
        for batch in range(n_batch):
            #用next那个函数，xs为图片，ys为标签
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter"+str(epoch)+"Testing Accuracy"+str(acc))

4.结果