MINST-Tensorflow1.0下搭建softmax模型

• MNIST数据集下载
  
  • 从这里copy代码到ide
  • https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/examples/tutorials/mnist/input_data.py
  • import numpy
    from six.moves import urllib
    from six.moves import xrange # pylint: disable=redefined-builtin
    import tensorflow as tf
    from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
    mnist=read_data_sets(train_dir=’./MNIST_data/’,one_hot=’True’)
    （read_data_sets为1.0内容，现已更新）

• MINST回归模型

  • import tensorflow as tf#导入tf
  • x = tf.placeholder(tf.float32, [None, 784])
  • x不是一个特定的值，而是一个占位符placeholder，在TensorFlow运行计算时输入这个值。希望能够输入任意数量的MNIST图像，每一张图展平成784维的向量。我们用2维的浮点数张量来表示这些图，这个张量的形状是[None，784 ]。（None表示此张量的第一个维度可以是任何长度。）
    W = tf.Variable(tf.zeros([784,10]))
    模型也需要权重值和偏置量，当然我们可以把它们当做是另外的输入（使用占位符），但TensorFlow有一个更好的方法来表示它们：Variable 。 一个Variable代表一个可修改的张量，存在在TensorFlow的用于描述交互性操作的图中。它们可以用于计算输入值，也可以在计算中被修改。
    b = tf.Variable(tf.zeros([10]))
    现在，我们可以实现我们的模型啦。只需要一行代码！
    y = tf.nn.softmax(tf.matmul(x,W) + b)

• 训练模型

  • y_ = tf.placeholder(“float”, [None,10])
  • cross_entropy = -tf.reduce_sum(y_*tf.log(y))
  • train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
  • PS:TensorFlow用梯度下降算法（gradient descent algorithm）以0.01的学习速率最小化交叉熵。梯度下降算法（gradient descent algorithm）是一个简单的学习过程，TensorFlow只需将每个变量一点点地往使成本不断降低的方向移动。当然TensorFlow也提供了其他许多优化算法：只要简单地调整一行代码就可以使用其他的算法。
  • init = tf.initialize_all_variables()
  • sess = tf.Session()
  • sess.run(init)
  • PS:初始化变量，并启动session，执行计算。
  • 开始训练：
    
    • for i in range(3000):
    • batch_xs, batch_ys = mnist.train.next_batch(100)
    • sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
    • 该循环的每个步骤中，我们都会随机抓取训练数据中的100个批处理数据点，然后我们用这些数据点作为参数替换之前的占位符来运行train_step。
    -
• 评估模型：
  
  • correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
  • 评估标签的真实性
  • accuracy = tf.reduce_mean(tf.cast(correct_prediction, “float”))
  • 把布尔值转化为浮点数，然后计算例如，[True, False, True, True] 会变成 [1,0,1,1] ，取平均值后得到 0.75.
  • print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
  • 最后，我们计算所学习到的模型在测试数据集上面的正确率。
  • 总结
  -

：