tensorflow学习-示例1（MNIST数据集合上的softmax分类模型）

tensorflow的整个框架其实由两个部分组成：第一个部分：会话制定，在这一个阶段中，我们可能要如下内容：定义tensor，其实就是数据；定义节点op，其实可以理解为数据流出或流入的节点，当然数据流入流出可能需要进行计算，也是在这里定义的；定义变量Variable，保存图模型的一些状态，其实我们最关心的是想要学习的参数；定义目标损失函数，就是最优化的目标；定义最优化的方法；最后开启会话，进行图计算；

最大的区别在于所有定义的计算操作的实际执行位置都是在Session执行阶段，示例如下：在MNIST数据集合上，采用softmax分类模型进行数字识别，非常快，达到的准确度~90.1%

import tensorflow as tfimport mathimport input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)# x_training表示训练集合的图像，None表示训练集合的图像的张数不确定，# 784表示二维图像展为1维向量# 定义一个pox_training = tf.placeholder("float",[None,784])# 定义一个poy_training_target = tf.placeholder("float",[None,10]);# 定义变量W = tf.Variable(tf.zeros([784,10]))b = tf.Variable(tf.zeros([10]))# 定义一个poy_training_testing = tf.nn.softmax(tf.matmul(x_training,W) + b) # 训练集和测试集上模型判断的标签# 损失函数cross_entropy = -tf.reduce_sum(y_training_target*tf.log(y_training_testing))# 梯度下降法：学习率为0.01# 目标是最小化交叉熵train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)init = tf.initialize_all_variables() # tf.global_variables_initializer 替代# 启动会话sess = tf.Session()sess.run(init)# softmax图的执行阶段for iter in range(2000):    batch_xs,batch_ys = mnist.train.next_batch(100) #随机获取100张图片    sess.run(train_step,feed_dict={x_training:batch_xs,y_training_target:batch_ys}) #feed方式correct_prediction = tf.equal(tf.argmax(y_training_testing,1),tf.argmax(y_training_target,1))accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float")) # 定义准确率print(sess.run(accuracy,feed_dict={x_training:mnist.test.images,y_training_target:mnist.test.labels})) # 准确率的执行阶段