tensorflow -入门-01-softmax回归

第一个教程给出了minist数据集的字符识别（分类），将手写数字0-9分类到0-9中。

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

上面的代码将从https://storage.googleapis.com/cvdf-datasets/mnist/上下载数据集，自动创建数据文件夹，数据格式为压缩格式gz。

详细的压缩格式数据集如何读取和reshape成训练和测试数组见源码中的minist.py文件，路径为：tensorflow\tensorflow\contrib\learn\python\learn\datasets\minist.py

接下来就是创建模型：y=W*x+b (y为用softmax回归后得到的分类结果，y_为标签结果)

sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])

接下来计算损失函数：

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

设置求损失函数解梯度的方法：
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

初始变量和训练最优求解过程：
tf.global_variables_initializer().run()

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run({x: batch_xs, y_: batch_ys})

计算正确率：
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))