TensorFlow入门-MNIST

1、首先要将tensorflow、tensorboard、numpy等更新到最新版本
2、需要先下载mnist数据集，可以在CSDN上找，官网比较慢。数据放在MNIST_data文件夹里面。

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


def mnist_liner():
    """
    线性深度网络
    :return:
    """
    # 用来自动下载数据的，mnist是个数据结构，包括mnist.train和mnist.test
    mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)

    # 图片images是[60000, 784]
    # 标签labels[60000, 10]
    # y=softmax(Wx+b)

    # 占位符 placeholder ，这里的 None 表示此张量的第一个维度可以是任何长度的
    x = tf.placeholder("float", [None, 784])
    # 全为零的张量来初始化W和b,学习 W 和 b 的值, W 的维度是[784，10]，因为我们想要用784维的图片向量乘以它以得到一个10维的向量，每一位对应不同数字类。b的形状是[10]
    W = tf.Variable(tf.zeros([784, 10]))
    b = tf.Variable(tf.zeros([10]))
    # matmul(X，W) 表示 x 乘以 W。nn代表神经网络的意思，是个大类，里面有很多函数
    y = tf.nn.softmax(tf.matmul(x, W) + b)
    # 正确值
    y_ = tf.placeholder("float", [None, 10])
    # 损失函数，交叉熵。reduce_sum 计算张量的所有元素的总和
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    # 用0.01的梯度下降学习速率最小化损失函数
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
    # 在一个 Session 里面启动我们的模型，并且初始化变量
    init = tf.initialize_all_variables()
    sess = tf.Session()
    tf.device('/cpu:0')
    sess.run(init)
    # 1000次迭代。batch为100.feed_dict往里面传值
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
    # tf.argmax(vector,1)是vector中最大值的索引号，y是10维的向量，只有1位是1，其他是0，那么1所在的位置就是tf.argmax的值
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))  # 布尔值
    # 把布尔值转换成浮点数，然后取平均值
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


def mnist_another():
    """
    另外一种写法
    :return:
    """
    mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)
    # InteractiveSession 类,它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。
    sess = tf.InteractiveSession()
    x = tf.placeholder("float", shape=[None, 784])
    y_ = tf.placeholder("float", shape=[None, 10])  # 正确值
    W = tf.Variable(tf.zeros([784, 10]))
    b = tf.Variable(tf.zeros([10]))
    # 初始化变量
    sess.run(tf.initialize_all_variables())
    y = tf.nn.softmax(tf.matmul(x, W) + b)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))  # 损失函数
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
    for i in range(1000):
        batch = mnist.train.next_batch(50)
        # 整个模型的训练可以通过反复地运行train_step 来完成
        train_step.run(feed_dict={x: batch[0], y_: batch[1]})
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


if __name__ == '__main__':
    mnist_liner()
    mnist_another()