TensorFlow--MNIST数据集分类简单版本

神经网络的构建：

没有使用中间层，将一张图片[24,24]的矩阵784个点，对应为

[0,0,...,1,0...] （只有一个位置为1，表示该下标为对应的图片数字）的10个点

神经网络可优化参数为，784x10 的权重，和10个偏置值

prediction = tf.nn.softmax(tf.matmul(x,w)+b)

prediction 为一个一维数组，里面为识别该图片为每个数字的概率

#-*-coding:utf-8-*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
minist = input_data.read_data_sets('MNIST_data',one_hot=True)
#每个批次的大小
batch_size = 100
#一共有多少批次
n_batch = minist.train.num_examples//batch_size
#定义两个placeholder
#当用训练集定义每批次100个时，x为[100,784]的矩阵，y为[100,10]的矩阵
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
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)

init = tf.global_variables_initializer()
#结果存放在一个布尔数组里面
#tf.argmax 返回一维张量中最大值所在的位置
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            #训练是用的训练集，按照分批次来做
            batch_xs,batch_ys = minist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        #此处的准确率是针对现有的参数，对于所有的测试集(测试图片，测试标签）来计算准确率
        acc = sess.run(accuracy,feed_dict={x:minist.test.images,y:minist.test.labels})
        print('iterator: '+str(epoch)+' accuracy: '+str(acc))

改进方法：

代价函数和激活函数相互结合，对调节速度产生影响。

使用交叉熵代价函数，softmax()激活函数：

#使用交叉熵代价函数

#loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

运行结果为：