tensorflow——MNIST机器学习入门

将这里的代码在项目中执行下载并安装数据集。

执行下面代码，训练、并评估模型：

 # _*_coding:utf-8_*_
 import inputdata
 mnist = inputdata.read_data_sets('MNIST_data', one_hot=True)

 import tensorflow as tf

 x = tf.placeholder("float",[None, 784])
 W = tf.Variable(tf.zeros([784,10]))
 b = tf.Variable(tf.zeros([10]))

 y = tf.nn.softmax(tf.matmul(x,W) + b)    # 预测值
 y_ = tf.placeholder("float", [None, 10])    # 真实值

 # 训练模型
 cross_entropy = -tf.reduce_sum(y_*tf.log(y))    # 交叉熵,交叉熵是用来衡量我们的预测用于描述真相
                                                 # 的低效性。注意这里是对所有记录所有假设的sum操作

 train_step= tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)    # 调用梯度下降，TensorFlow会自动使用反向传播算法
                                                                                # 并且通过minimize来指定要最小化的代价方程

 # 初始化变量
 init = tf.initialize_all_variables()

 # 运行
 sess = tf.Session()
 sess.run(init)

 for i in range(1000):
     batch_xs, batch_ys = mnist.train.next_batch(100)    # 随机训练 (stochastic training), 减小计算开销
     sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys})

 # 评估模型
 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))    # argmax返回的是沿着某个轴的最大值的索引值

 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))    # cast把布尔值转为浮点值

 print sess.run(accuracy, feed_dict={x: mnist.test.images, y_:mnist.test.labels})

 sess.close()

运行结果：（由于是随机训练每次结果可能一样）

0.9131