八、（1）神经网络——简单神经网络，手写数字预测。

八、（1）神经网络——简单神经网络，手写数字预测。

本文通过预测手写数字来练习简单的神经网络。主要步骤为训练模型、保存模型、预测数据集、将数据集转图片、将图片转成数据集格式。

数据集下载地址：http://yann.lecun.com/exdb/mnist/

第一步：训练模型并保存。

 # -*- coding: utf-8 -*-
"""
Created on Mon May 27 23:55:27 2019

@author: sun
"""

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

#0为预测,1为测试。
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_integer("is_train", 1, "指定程序是预测还是训练")



def full_connected():

    # 获取真实的数据，将下载好的数据放入指定路径
    mnist = input_data.read_data_sets("./data/mnist/input_data/", one_hot=True)

    # 1、建立数据的占位符 x [None, 784]    y_true [None, 10]
    with tf.variable_scope("data"):
        x = tf.placeholder(tf.float32, [None, 784])

        y_true = tf.placeholder(tf.int32, [None, 10])

    # 2、建立一个全连接层的神经网络 w [784, 10]   b [10]
    with tf.variable_scope("fc_model"):
    
        # 随机初始化权重和偏置
        weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w")

        bias = tf.Variable(tf.constant(0.0, shape=[10]))

        # 预测None个样本的输出结果matrix [None, 784]* [784, 10] + [10] = [None, 10]
        y_predict = tf.matmul(x, weight) + bias

    # 3、求出所有样本的损失，然后求平均值
    with tf.variable_scope("soft_cross"):

        # 求平均交叉熵损失
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))

    # 4、梯度下降求出损失
    with tf.variable_scope("optimizer"):

        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 5、计算准确率
    with tf.variable_scope("acc"):

        equal_list = tf.equal(tf.argmax(y_true, 1