MNIST入门

#https://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html
import tensorflow as tf
#用到MNIST数据集，使用Tensorflow导入数据集
#训练数据集（mnist.train）测试数据集（mnist.test）
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#在2.X版本的tensorflow使用1.x版本的tenorflow
import numpy as np
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights=tf.Variable(tf.random_normal([in_size,out_size]))#权重
    #生成随机变量矩阵有in_size行out_size列
    biases=tf.Variable(tf.zeros([1,out_size])+0.1)#偏置量
    #1行out_size列的数值为0.1
    #矩阵乘法
    Wx_plus_b=tf.matmul(tf.cast(inputs,tf.float32),Weights)+biases
    if activation_function is None:
        outputs=Wx_plus_b
    else:
        outputs=activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):#测试
    global prediction#全局变量
    y_pre=sess.run(prediction,feed_dict={xs:v_xs})
    correct_prediction=tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
    #tf.argmax(y_pre,1)返回的是模型对于任一输入x预测到的标签值 tf.argmax(v_ys,1) 代表正确的标签
    #用 tf.equal 来检测我们的预测是否真实标签匹配
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#tf.reduce_mean()计算张量某一维度上的平均值tf.cast()将bool转化float
    result=sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys})
    return result#得出测试结果



xs=tf.placeholder(tf.float32,[None,784])#28*28训练数据集的图片
ys=tf.placeholder(tf.float32,[None,10])#训练数据集的标签（这里的None表示此张量的第一个维度可以是任何长度的。）
#输出层
prediction=add_layer(xs,784,10,activation_function=tf.nn.softmax)
#loss
#交叉熵
cross_entropy=tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess=tf.Session()
sess.run(tf.initialize_all_variables())
for i in range(1000):
    batch_xs,batch_ys=mnist.train.next_batch(100)#随机抓取训练数据中的100个批处理数据点
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i %50==0:
        print(compute_accuracy(mnist.test.images,mnist.test.labels))