Tensorflow的Hello World:MNIST 手写数字识别例子分析

朋友，沉下心来阅读你才会有收获，不要对长篇文字和代码感到畏惧，他们是你走向成功的伙伴

Tensorflow的Hello World:MNIST 手写数字识别例子分析

1.代码

首先给出MNIST数据集的tensorflow例程(python3.7 tensorflow有些API函数可能已经很旧)：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

batch_size=100
num_of_batches = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#fully connected network,so 784*10 weights
W = tf.Variable(tf.zeros([784,10])) 
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#definition of cost function
loss = tf.reduce_mean(tf.square(prediction-y))
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#initialize variables 
init = tf.global_variables_initializer()

correct_prediction = tf.equal(tf.argmax(y,1),tf.arg_max(prediction,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(num_of_batches):
            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))

把代码分块来看，就不会一看到长篇代码就头疼了。像这份代码主要分为如下几个部分：
1.加载数据集
2.数据预处理
3.实现网络结构
4.训练并输出训练相关的信息

2.例程分析

在这个例子中，我们主要分析两个部分，一个是数据的预处理及数据格式部分，这一部分是模型实现时，普遍较难理解，也容易出错的点；另一个是网络的搭建以及训练的部分，主要学习其具体的代码的写法。

2.1数据格式部分

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#fully connected network,so 784*10 weights
W = tf.Variable(tf.zeros([784,10])) 
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

数据格式部分的代码如上，x是待输入的数据，y是待输入的对应标签，因为等待传入所以使用placeholder。

在这里指定x的shape为[None,784],y的shape为[None,10]指的是这两个张量的形状，第一个维度为对图片张数的索引，None代表可以是一张，也可以是n张图片.因为在这里x，y不仅要使用在批量输入数据上，还要用于传回测试集的样例和标签，所以使用了None的写法，是很方便的。原理上是可以定义成和batch一样的大小的。

W = tf.Variable(tf.zeros([784,10])) 
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

这段代码中规定了权重W和偏置b个格式，可以看出这个网络只有两个层，一个输入层，一个输出层。但是由于是全连接层，所以有784x10个权重。由于输出层只有十个神经元，所以只需要1x10个偏置（详细理解，请学习神经元的具体结构,实在看不懂请画出神经网络的结构图）。

2.2神经网络搭建以及训练的具体细节。

从例子中可以看出，搭建及训练一个简单神经网络的大致的框架为：
1.加载数据集
2.搭建网络结构（包括激活函数，代价函数，所需运算变量的定义）
3.会话中训练（包括变量的初始化，在循环中训练，打印出精度信息）
可以看出，tensorflow和之前的keras相比还是要复杂一些的，但是是标准啊，学吧！