用下载好的本地数据集，官方自动解析数据集，做手写数字识别

说明

整个程序用的是最简单的神经网络。因为是官方自动解析数据集，所以直接调用mnist.train和mnist.test就可以直接得到训练集和测试集，比较简洁。不过如果要搞清楚维度等细节，建议可以自己去解析原始数据集看看或者看看官方的源码。

参考博客： https://www.jianshu.com/p/db2afc0b0334 ，谢谢！

# coding=utf-8

import tensorflow as tf
# 下载MNIST数据集到'MNIST_data'文件夹并解压
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 设置权重weights和偏置biases作为优化变量，初始值设为0
weights = tf.Variable(tf.zeros([784, 10]))
biases = tf.Variable(tf.zeros([10]))

# 构建模型
x = tf.placeholder("float", [None, 784])
y = tf.nn.softmax(tf.matmul(x, weights) + biases)                                   # 模型的预测值
y_real = tf.placeholder("float", [None, 10])                                        # 真实值

cross_entropy = -tf.reduce_sum(y_real * tf.log(y))                                  # 预测值与真实值的交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)        # 使用梯度下降优化器最小化交叉熵

# 开始训练
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)                                # 每次随机选取100个数据进行训练，即所谓的“随机梯度下降（Stochastic Gradient Descent，SGD）”
    sess.run(train_step, feed_dict={x: batch_xs, y_real:batch_ys})                  # 正式执行train_step，用feed_dict的数据取代placeholder

    if i % 100 == 0:
        # 每训练100次后评估模型
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.arg_max(y_real, 1))       # 比较预测值和真实值是否一致
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))             # 统计预测正确的个数，取均值得到准确率
        print("times:",i," accuracy:",sess.run(accuracy, feed_dict={x: mnist.test.images, y_real: mnist.test.labels}))

准确率结果如下：

times: 0  accuracy: 0.3989
times: 100  accuracy: 0.888
times: 200  accuracy: 0.9005
times: 300  accuracy: 0.915
times: 400  accuracy: 0.8686
times: 500  accuracy: 0.9161
times: 600  accuracy: 0.9099
times: 700  accuracy: 0.9096
times: 800  accuracy: 0.9156
times: 900  accuracy: 0.9152