MNIST数据准备

MNIST数据是机器学习入门数据，相当于其他编程语言的第一个“hello world”程序。

1. 首先在项目目录下新建文件夹“MNIST_data”

from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)print("Training data size:", mnist.train.num_examples)#输出：#Extracting MNIST_data/train-images-idx3-ubyte.gz#Extracting MNIST_data/train-labels-idx1-ubyte.gz#Extracting MNIST_data/t10k-images-idx3-ubyte.gz#Extracting MNIST_data/t10k-labels-idx1-ubyte.gz#Training data size: 55000复制代码

Softmax回归实现

1. 简要介绍
   Softmax回归可以实现多分类。我们所要用到的MNIST_data数据集其实是数字识别数据集，将图片中的数据识别成0~9这十个数，是一个多分类问题。
   图示：
   公式：

2. 实现

import tensorflow as tfx = tf.placeholder("float", [None, 784]) #x是占位符placeholder。占位符可以让我们在程序运行计算时再输入这个值。此处x是一个形状为[none, 784]的张量，用来表示任意数量的MNIST图像，每一张图展开成784维的向量。（第一个维度none可以是任意长度）。W = tf.Variable(tf.zeros([784, 10]))#权重，初始化为0b = tf.Variable(tf.zeros([10]))#偏置，初始化为0y = tf.nn.softmax(tf.matmul(x,W) + b)#模型实现：tf.matmul是矩阵的乘法y_ = tf.placeholder("float",[None, 10])#用于输入正确值cross_entropy = -tf.reduce_sum(y_*tf.log(y))#计算交叉熵作为成本函数。-(y_*tf.log(y)是交叉熵的定义。tf.reduce_sum()计算张量所有元素的总和，即所有图片交叉熵的总和。train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)#使用梯度下降法不断的通过最小化交叉熵来调整参数W和b。init = tf.initialize_all_variables()#运行计算前，初始化变量sess = tf.Session()sess.run(init)for i in range(1000):#模型循环1000次，每一次循环中都随机抓取100个批处理数据点来替换之前的占位符。实际上，我们可以每一次训练的时候都使用所有的数据，但这样会造成极大的计算开销，所以每次随机选择100个数据进行训练，因此，这里实际上是随机梯度下降算法。  batch_xs, batch_ys = mnist.train.next_batch(100)  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))#统计预测正确的标签数。函数tf.argmax()，它能给出某个tensor对象在某一维上的其数据最大值所在的索引值。tf.argmax(y,1)返回预测的标签，tf.argmax(y_,1)返回正确的标签。本行代码返回一组布尔值。accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))#将这组布尔值转化为浮点数并求平均值。这个平均值就是准确率print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))#打印结果，填充占位符。#输出#0.9171复制代码