tensorflow之二（利用mnist数据集搭建简单神经网络）

第二课TensorFlow解决手写数字识别

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])
#一张图片拉为784列，行不确定none为100，下一步对none进行赋值
y=tf.placeholder(tf.float32,[None,10])
#标签0-910个数

#创建一个神经网络
W=tf.Variable(tf.random_normal([784,10]))#一行十列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))
#交叉熵损失loss=tf.reduce_mean(tf.nn.softmax_cross_entroy_with_logits(label=y,logits=prediction))
#定义一个梯度下降发进行训练的优化器学习率0.2
optimizer=tf.train.GradientDescentOptimizer(0.1)
#最小化代价函数
train_step=optimizer.minimize(loss)

init=tf.global_variables_initializer()

#求准确率的方法,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返回函数中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
    #所有图片训练200次
    for epoch in range(200):
        for batch in range(n_batch):#所有循环一次
            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))