tensorflow学习系列一：helloworld之minist

Tensorflow作为当今主流的深度学习框架学习下还是很有必要的，相比其他的框架，tensorflow具有更大的灵活性；同时在资料方面也更具优势，因此，tensorflow无疑将是我们进行深度学习开发的首选工具。好了，不多废话了，总之，适合自己的才是最好的，毕竟鞋子合不合脚自己穿了才知道。下面是基于mnist的一个hellworld程序，主要是采用softmaxRession对mnist进行分类，借此了解tensorflow的基本流程：

(1)定义算法公式，也就是神经网络的前向计算

(2)定义loss，选定优化器，并制定优化器的优化方式

(3)迭代对数据进行训练

(4)在测试集或验证集上对准确率进行评测

# -*- coding: utf-8 -*-
"""
Created on Sat Jun  9 12:20:04 2018

@author: kuang yong jian
"""
import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data/',one_hot = True)

#定义输入端口
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])

#定义参数变量
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

#算法实现
predict = tf.nn.softmax(tf.matmul(x,W) + b)

#定义损失函数
loss = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(predict),reduction_indices = [1]))

#定义优化算法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#全局参数初始化，这个一定要记得
init = tf.global_variables_initializer()

#定义会话窗口
sess = tf.Session()
sess.run(init)

#迭代模型训练
for i in range(1000):
    batch_x,batch_y = mnist.train.next_batch(100)
    train_step.run(session = sess,feed_dict = {x:batch_x,y_:batch_y}) #也可以写成：sess.run(train_step,feed_dict = {x:batch_x,y_:batch_y})
    #sess.run(train_step,feed_dict = {x:batch_x,y_:batch_y})
    

#模型性能评估    
correct_predict = tf.equal(tf.argmax(predict,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_predict,tf.float32))
print(accuracy.eval(session = sess,feed_dict = {x:mnist.test.images,y_:mnist.test.labels}))

若有不当之处，请指教，谢谢！