本文共 3140 字，大约阅读时间需要 10 分钟。

import tensorflow as tfimport matplotlib.pyplot as pltfrom tensorflow .examples .tutorials .mnist import input_data#使用MNIST数据集-10个手写体数据，对其进行分类print("Download and Extract MNIST dataset")mnist = input_data .read_data_sets('data/',one_hot=True)trainimg = mnist.train.imagestrainlabel = mnist.train.labelstestimg = mnist.test.imagestestlabel = mnist.test.labelsprint("MNIST loaded")print(trainimg.shape)print(trainlabel.shape)print(testimg.shape)print(testlabel.shape)x = tf.placeholder("float",[None,784])#float表示数据类型，None表示多少个数据，784表示网络中输入层的特征个数y = tf.placeholder("float",[None,10])W = tf.Variable(tf.zeros([784,10]))#W的维度是根据特征个数（784）和该层神经元个数（10）b = tf.Variable(tf.zeros([10]))#逻辑回归解决二分类问题，将之变形为softmaxactv = tf.nn.softmax(tf.matmul(x,W)+b)#损失函数cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),axis=1))'''求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)reduce_sum应该理解为压缩求和，用于降维reduce_sum (     input_tensor ,     axis = None ,     keep_dims = False ,     name = None ,     reduction_indices = None )input_tensor：要减少的张量.应该有数字类型.axis：要减小的尺寸.如果为None(默认),则缩小所有尺寸.必须在范围[-rank(input_tensor), rank(input_tensor))内.0-列求和，1-行求和keep_dims：如果为true,则保留长度为1的缩小尺寸.name：操作的名称(可选).reduction_indices：axis的废弃的名称.'''#梯度下降中需要给的学习率参数值learning_rate = 0.01#tf.train.GradientDescentOptimizer()使用随机梯度下降算法，使参数沿着 梯度的反方向，即总损失减小的方向移动，实现更新参数.里面的参数是步长（学习率）optm = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)#训练的过程就是最小化这个误差值#找出每个样本的最大预测值与真正所属是否相同pred = tf.equal(tf.argmax(actv,1),tf.argmax(y,1))'''tf.argmax(input, axis=None, name=None, dimension=None)--返回最大值的索引，从0开始input：输入值axis：0表示按列计算每列最大数的下标，1表示按行计算每行最大数的下标name：名称dimension：和axis功能一样，默认axis取值优先equal(x, y, name=None)equal，相等的意思。顾名思义，就是判断，x, y 是不是相等，它的判断方法不是整体判断，而是逐个元素进行判断，如果相等就是 True，不相等，就是 False。由于是逐个元素判断，所以 x，y 的维度要一致。'''acc = tf.reduce_mean(tf.cast(pred,'float'))'''cast(   x,    dtype,    name=None)将x的数据格式转化成dtype.例如，原来x的数据格式是bool， 那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以'''init = tf.global_variables_initializer()#逻辑框架已经完成。training_epochs = 50#所有的样本迭代50次batch_size = 100#每进行一次迭代要选择多少样本display_step = 5#展示sess = tf.Session()sess.run(init)for epoch in range(training_epochs):    avg_cost = 0    num_batch = int(mnist.train.num_examples/batch_size)    for i in range(num_batch):        batch_xs,batch_ys = mnist.train.next_batch(batch_size)        sess.run(optm,feed_dict={
   x:batch_xs,y:batch_ys})        #avg_cost += sess.run(cost,feed_dict={
   x:batch_xs,y:batch_ys})/num_batch        avg_cost = avg_cost +sess.run(cost,feed_dict={
   x:batch_xs,y:batch_ys})#迭代一次时，整个数据集被划分成多个块，for一次循环中是求的每个块的损失    avg_cost = avg_cost /num_batch#这边将所有块的损失求和取平均得到平均损失    if epoch % display_step ==0:#每5个epoch打印一次        feeds_train = {
   x:batch_xs,y:batch_ys}        feeds_test = {
   x:mnist.test.images,y:mnist.test.labels}        train_acc = sess.run(acc,feed_dict=feeds_train)        test_acc = sess.run(acc,feed_dict=feeds_test)        print("Epoch: %03d/%03d cost: %.9f train_acc: %.3f test_acc: %.3f" % (        epoch, training_epochs, avg_cost, train_acc, test_acc))print("DONE")

转载地址：http://sfulf.baihongyu.com/