Tensorflow测试Mnist实例

因为网络问题，通过官网的脚本下载mnist数据集的时候老是失败，所以我直接去mnist数据集官网下载了数据集

附上链接，有需要的可以自己下载: https://pan.baidu.com/s/1vabdoAxwtiK8hU1EHKMduA 密码: jj4x

代码如下：

# coding=utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data  
from tensorflow import float32  
  
#导入下载好的mnist数据集存放路径  
MNIST_data_folder="\\usr\\local\\lib\\python2.7\\dist-packages\\tensorflow\\examples\\tutorials\\mnist\\MNIST_data"  
#载入数据
mnist=input_data.read_data_sets(MNIST_data_folder,one_hot=True)

#每个批次大小以及多少批次  
batch_size = 100  
n_batch = mnist.train.num_examples // batch_size  
  
#命名空间  
with tf.name_scope('input'):  
    #设置两个占位符  
    x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name='x-input')  
    y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='y-input')  
  
  
#创建一个简单的神经网络  
W = tf.Variable(tf.zeros([784, 10], float32))  
b = tf.Variable(tf.zeros([10]), float32)  
prediction = tf.nn.softmax(tf.matmul(x, W)+b)  
  
#二次代价函数  
#loss = tf.reduce_mean(tf.square(y-prediction))  
#使用交叉熵代价函数  
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))  
  
#使用梯度下降方法  
#train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)  
train_step = tf.train.AdamOptimizer(1e-2).minimize(loss)   #使用别的优化方式  
#初始化变量  
init = tf.global_variables_initializer()  
  
#结果放在布尔型列表中,其中argmax返回数列中最大值所在的位置  
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction, 1))  
#求准确性  
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
  
with tf.Session() as sess:  
    sess.run(init)  
    writer = tf.summary.FileWriter('logs/', sess.graph)#想路径中添加一个文件，不会影响训练速度  
    for epoch in range (1):  
        for batch in range (n_batch):  
            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))

运行结果如下：

可以看到准确率只有0.9169，有点低