下载下来的数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）
每一张图片包含28*28个像素，我们把这一个数组展开成一个向量，长度是28*28=784。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。图片里的某个像素的强度值介于0-1之间。
MNIST数据集的标签是介于0-9的数字，我们要把标签转化为“one-hot vectors”。一个one-hot向量除了某一位数字是1以外，其余维度数字都是0，比如标签0将表示为([1,0,0,0,0,0,0,0,0,0])，标签3将表示为([0,0,0,1,0,0,0,0,0,0]) 。
因此， mnist.train.labels 是一个 [60000, 10] 的数字矩阵。
我们知道MNIST的结果是0-9，我们的模型可能推测出一张图片是数字9的概率是80%，是数字8的概率是10%，然后其他数字的概率更小，总体概率加起来等于1。这是一个使用softmax回归模型的经典案例。softmax模型可以用来给不同的对象分配概率。
import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data #读取mnist数据集 如果没有则会下载 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #每个批次的大小 batch_size = 50 #计算一共有多少批次 n_batch = mnist.train.num_examples // batch_size #定义两个占位符 x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) #创建简单的神经网络 #群值 W = tf.Variable(tf.zeros([784,10])) #偏置值 b = tf.Variable(tf.zeros([10])) #预测值 prediction = tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss = tf.reduce_mean(tf.square(y-prediction)) #使用梯度下降法 train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss) #初始化变量 init = tf.global_variables_initializer() #预测数据与样本比较，如果相等就返回1 求出标签 #结果存放在布尔型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #进行训练 with tf.Session() as sess: sess.run(init) for i in range(101):#周期 for batch in range(n_batch):#批次 batch_xs, batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("周期 ："+ str(i) + "准确率：" + str(acc))
训练结果：
周期 ：0准确率：0.8809 周期 ：1准确率：0.8958 周期 ：2准确率：0.9035 周期 ：3准确率：0.9064 周期 ：4准确率：0.9109 周期 ：5准确率：0.9122 周期 ：6准确率：0.9142 周期 ：7准确率：0.9162 周期 ：8准确率：0.917 周期 ：9准确率：0.9178 周期 ：10准确率：0.9188 周期 ：11准确率：0.9184 周期 ：12准确率：0.9192 周期 ：13准确率：0.9197 周期 ：14准确率：0.9212 周期 ：15准确率：0.9202 周期 ：16准确率：0.9218 周期 ：17准确率：0.9218 周期 ：18准确率：0.922 周期 ：19准确率：0.9226 周期 ：20准确率：0.9224 周期 ：21准确率：0.9232 周期 ：22准确率：0.9242 周期 ：23准确率：0.924 周期 ：24准确率：0.9238 周期 ：25准确率：0.9246 周期 ：26准确率：0.9247 周期 ：27准确率：0.9248 周期 ：28准确率：0.9253 周期 ：29准确率：0.9251 周期 ：30准确率：0.9259 周期 ：31准确率：0.9261 周期 ：32准确率：0.9259 周期 ：33准确率：0.9263 周期 ：34准确率：0.9275 周期 ：35准确率：0.9268 周期 ：36准确率：0.9271 周期 ：37准确率：0.9269 周期 ：38准确率：0.9279 周期 ：39准确率：0.9279 周期 ：40准确率：0.9271
