学习总结（袁莹君）

学习总结
在前段时间的学习中，通过看慕课课程，学习掌握了python基本语法元素，Python基本图形绘制，Python基本数据类型和组合数据类型，函数以及代码复用，Python文件读写和数据格式化，还了解了Python第三方库和各库的相关操作函数。
之后，又学习了数组的运算，复习了线性代数中矩阵的各类运算。
学习完了最基本的东西以后，我开始进入了机器学习的领域。
说实话，开始看的时候简直就是无从下手，所以又从哔哩哔哩里面找了好多的相关视频，终于找到一个将的是MNIST数据集的并且与我看的教材相似的视频，最后才理解了。
要入手机器学习，就必须先了解MNIST数据集, MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片。每一个MNIST数据单元有两部分组成：一张包含手写数字的图片和一个对应的标签。
每一张图片包含28像素X 28像素。我们可以用一个数字数组来表示这张图片。我们把这个数组展开成一个向量，就是不断的把下一行连到上面，那长度就是28x28 = 784。从这个角度来看，MNIST数据集的图片就是在784维向量空间里面的点。在MNIST训练数据集中，mnist.train.images 是一个形状为 [60000, 784] 的张量，意思就是有60000张图片，然后每张图片又有28x28 = 784个像素点。所以第一个维度数字是用来索引图片的，第二个维度数字是用来索引每张图片中的像素点的。在此张量里的每一个元素，都表示某张图片里的某个像素的强度值，所以图片里完全白的部分值为0，最深的部分为1，其余的按颜色深浅值在0到1之间。
相对应的MNIST数据集的标签是介于0到9的数字，用来描述给定图片里表示的数字。我们把标签转化为"one-hot vectors"。 一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。例如标签3： ([0,0,0,1,0,0,0,0,0,0,0])。 mnist.train.labels 是一个 [60000, 10] 的数字矩阵。
softmax模型可以用来给不同的对象分配概率。

对于softmax回归模型，对于输入的xs加权求和，再分别加上一个偏置量，最后再输入到softmax函数中，如果把它写成一个等式，我们可以得到：

因为前面有了矩阵运算的知识储备，所以这也比较容易联想到用矩阵乘法和向量相加来计算理解。
在这里插入图片描述
最终可以表示成：
y = softmax(Wx + b)

主要核心的代码
import tensorflow as t
x = tf.placeholder(“float”, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)

而现在阶段，我还正在学习《面向机器学习专家的 MNIST 高级教程》，计划是5号之前能完成，有了前面的一点基础，理解起来，没有刚开始学习第一篇时这么费劲了,但是又涉及到了更深层次的东西，后期还需要进一步探索。