TensorFlow学习（一）MNIST数据库例程执行

来自tensorflow的中文文档官方例程。重新跑了一次并做些注解，希望能帮到一些人～

import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
#数据输入
##不要怕麻烦，所有的问题都是可以解决；找找其他途径，不要在一颗书上吊死
##比如这里，网络上下载不了，就直接拷贝，怕路径不对，就看清楚代码，改好路径
mnist = input_data.read_data_sets('/home/wwb/文档/tensorflow/MNIST-data', one_hot=True)
mx = mnist.train.images
my_ = mnist.train.labels
#tensorflow 的一般流程，创建图，然后在 session 启动
#如果使用InteractiveSession,在运行图的时候，插入一些计算图；
#如果没使用此函数，需要在启动session前，构建整个计算图，然后启动计算图
#TensorFlow也是在Python外部完成其主要工作，但是进行了改进以避免这种开销。
#其并没有采用在Python外部独立运行某个耗时操作的方式，
#而是先让我们描述一个交互操作图，然后完全将其运行在Python外部。
sess = tf.InteractiveSession()

#构建具有一个线性层的softmaxi模型
##创建占位符 784为长×宽，10为分类
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
##定义w 和 b，一般用variable(使用前必须初始化)，，这里初始化为0向量
##w 784个特征，10个输出（10个分类）
##b 是10维向量
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
##varibale初始化后，分配给变量，可一次性分配所有，如下
sess.run(tf.global_variables_initializer())

#类别预测和损失函数
##实现回归模型，把向量化后的图片 x 和权重w相乘，然后加b;在计算softmax值
y = tf.nn.softmax(tf.matmul(x,W) + b)
##使用最小化误差函数，目标类别和预测类别的交叉熵（计算的是整个minibatch）
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#模型训练
##多种优化算法供选择，这里采用最速下降法
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
##返回的train_step为操作对象，可以反复运行 train_step
##每一步迭代，我们都会加载50个训练样本，然后执行一次train_step；
##并通过feed_dict将x 和 y_张量占位符用训练训练数据替代。
for i in range(1000):
  batch = mnist.train.next_batch(50)
  train_step.run(feed_dict={x: batch[0], y_: batch[1]})

#评估模型
##找到预测正确的标签
###tf.argmax 是一个非常有用的函数，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)分别代表tf.argmax(y_,1)预测值与正确值
###下面的函数，返回布尔
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
###将布尔值转化为浮点值，然后取平均，提高准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})