Tensorflow学习（一）

MNIST数据集

MNIST数据集的官网是Yann LeCun’s website

mnist数据集的导入的代码：

---

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

---

实现Softmax回归模型

softmax模型可以用来给不同的对象分配概率。

softmax回归分两步：

1）对输入被分类对象属于某个类的“证据”相加求和，然后将这个“证据”的和转化为概率。即：我们对图片像素值进行加权求和。如果这个像素具有很强的证据说明这张图片不属于该类，那么相应的权值为负数，相反如果这个像素拥有有利的证据支持这张图片属于这个类，那么权值是正数。
2）将各像素点权值累加归一化处理，是和为1，满足概率分布。

---

使用tensorflow前先导入它

import tensorflow as tf

一个Variable代表一个可修改的张量，存在在 TensorFlow 的用于描述交互性操作的图中．它们可以用于计算输入值，也可以在计算中被修改．对于各种机器学习应用，一般都会有模型参数，可以用Variable表示。

x = tf.placeholder("float", [None, 784])

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

实现模型：
y=tf.nn.softmax(tf.matmul(x,W)+b)

为了计算交叉熵，我们首先需要添加一个新的占位符用于输入正确值：

y=tf.placeholder("float",[None,10])

计算交叉熵:

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

使用梯度下降算法（gradient descent algorithm）以 0.01的学习速率最小化交叉熵．

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

初始化创建的变量：

init = tf.initialize_all_variables()

在Session里面启动我们的模型

sess=tf.Session()

sess.run(init)

开始训练我们的模型，在该循环的每个步骤中，我们都会随机抓取训练数据中的 100 个批处理数据点，然后我们用这些数据点作为参数替换之前的占位符来运行train_step

for i in range(1000):
     batch_xs, batch_ys = mnist.train.next_batch(100)
     sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

---

---

检测预测的数据与真实的数据是否匹配：

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction , "float"))

print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

---