Tensorflow实现简单Minist

TF安装成功后，我们就开始进入实战吧！

拿Minist作为例子；

有两种方式去下来Minist数据：

  1、在Yann Lecun网站上载MNIST数据

   2、用Python代码实现
MNIST
数据的自动下载

在此，我们采用第二种方式去下载数据，代码如下：

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

载完成功后，会在屏幕上出现如下的信息：

分别为训练数据和测试数据。

import tensorflow as tfx = tf.placeholder(tf.float32, [None, 784])

这里设置op；

每个图片大小为28*28=784，即每个图片的像素点数。

y_ = tf.placeholder(tf.float32, [None, 10])

同理设置op；

每个图片的label是从0到9的期中一个数。

如果图片为2，那么在第三个位置上的值就为1。（从0开始的）W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

为模型创建相应的权值及其偏好
y = tf.nn.softmax(tf.matmul(x, W) + b)

利用矩阵法则和softmax函数  效果：y={softmax}(Wx+b)

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

利用“交叉熵”

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

利用GD算法

init = tf.global_variables_initializer()

初始化我们所创建的变量sess=tf.Session();sess.run(init)

启动模型

for i in range(1000):        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))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

在此，需说明cast函数。

例如，原来correct_prediction的数据格式是bool，那么将其转化成float32以后，就能够将其转化成0和1的序列。

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

运行整个代码得出如下结果：

至此，一个TF入门程序就测试完毕。