Tensorflow实现手写数字识别代码详解（新手学习）

Tensorflow实现手写数字识别代码详解

"""A very simple MNIST classifier.
See extensive documentation at
http://tensorflow.org/tutorials/mnist/beginners/index.md
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

# 引入数据集
from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf
#命令行运行代码时传递参数，也就是用来实现各个参数的传递
flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_string('data_dir', '/tmp/data/', 'Directory for storing data') # 把数据放在/tmp/data文件夹中

mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)   # 读取数据集


# 建立抽象模型
x = tf.placeholder(tf.float32, [None, 784]) # 占位符
y = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
a = tf.nn.softmax(tf.matmul(x, W) + b)
# placeholder又叫占位符，是一个抽象的概念。用于表示输入输出数据的格式。告诉系统：这里有一个值/向量/矩阵，现在我没法给你具体数值，不过我正式运行的时候会补上的，例如上面表示[？，784]的矩阵，？具体是多少，后文按情况指定
#Variable代表变量，用来指定参数
#softmax是激活函数相当于f（x），是一个函数式

# 定义损失函数和训练方法
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(a), reduction_indices=[1]))  # 损失函数为交叉熵，reduction_indices=[1]代表按第一维度进行计算，相对于矩阵来说可以看成按列计算
optimizer = tf.train.GradientDescentOptimizer(0.5) # 梯度下降法，采用随机梯度下降法，学习速率为0.5

#建立训练模型
train = optimizer.minimize(cross_entropy) # 训练目标：最小化损失函数

# 建立测试模型
correct_prediction = tf.equal(tf.argmax(a, 1), tf.argmax(y, 1))#tf.argmax表示找到最大值的位置(也就是预测的分类和实际的分类)，然后看看他们是否一致，是就返回true,不是就返回false,这样得到一个boolean数组。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#tf.cast将boolean数组转成int数组，如果是True就转化成1，如果是False就转化成0，最后求平均值，得到分类的准确率

# 开始进行实际的训练
sess = tf.InteractiveSession() # 建立交互式会话
tf.initialize_all_variables().run()#对所有变量进行初始化
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)#从数据集中每次获取100个图片即100个数据
    train.run({x: batch_xs, y: batch_ys})#将获得的数据给训练模型，进行训练和计算
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))
#经过训练模型的训练得到了一批相应的参数如w,x,b等，而得到的这批参质量好不好呢？这就还要用测试模型进行测试了。
#feed_dict的作用是给使用placeholder创建出来的tensor赋值，上面就把mnist.test.images赋值给x，把mnist.test.labels赋值给y

---