Tensorflow快速入门2--实现手写数字识别

Tensorflow快速入门2–实现手写数字识别

环境：
虚拟机ubuntun16.0.4
Tensorflow 版本：0.12.0(仅使用cpu下)

Tensorflow安装见：
http://blog.csdn.net/yhhyhhyhhyhh/article/details/54429034
或者：
http://www.tensorfly.cn/tfdoc/get_started/os_setup.html

本文将利用Tensorflow以softmax回归和卷积神经网络两种模型简单测试MNIST数据集，快速实现手写数字识别的测试。仅Tensorflow作为练习，不讲解过多模型、框架等理论知识。

目录

1.MNIST数据集

2.softmax回归测试MNIST

3.卷积神经网络测试MNIST

4.Tensorflow学习文档

1.MNIST数据集

MNIST数据集的官网：http://yann.lecun.com/exdb/mnist/
按照TensorFlow中文社区教程的方法将MNIST数据训练数据和测试数据加载到自己的代码中。
1）下载MNIST数据集
input_data.py文件下载：input_data.py
在终端中运行：python ~/Test/input_data.py
（我的数据集和input_data.py文件放在了主目录下的Test文件夹下，注意路径。）
2）加载到代码中
在用到MNIST数据的python代码中加入以下：

#导入MNIST数据
import input_data
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

每一个MNIST数据单元有两部分组成（训练数据集和测试数据集都是）：一张包含手写数字的图片和一个对应的标签。
因此，在MNIST训练数据集中，mnist.train.images 是一个形状为 [60000, 784] 的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点。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，值介于0和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。为了用于这个教程，我们使标签数据是”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。所以在此教程中，数字n将表示成一个只有在第n维度（从0开始）数字为1的10维向量。比如，标签0将表示成([1,0,0,0,0,0,0,0,0,0,0])。因此， mnist.train.labels 是一个 [60000, 10] 的数字矩阵。

2.softmax回归测试MNIST

1）softmax回归模型
点击查看softmax回归详细讲解的一个帖子：

简单来说，softmax回归是logistic回归对多分类问题的推广，当是两分类时，就是logistic回归。softmax回归更适合类别间是互斥的，比如字符识别等。Softmax代价函数与logistic 代价函数在形式上非常类似，只是在Softmax损失函数中对类标记的 个可能值进行了累加。

2）简单测试MNIST
注意路径。