tensorflow MNIST数据集上简单的MLP网络

一、code

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
sess = tf.InteractiveSession()

x = tf.placeholder("float",shape = [None,784])
y_ = tf.placeholder("float",shape = [None,10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)

cross_entropy = -tf.reduce_sum(y_*tf.log(y))
sess.run(tf.initialize_all_variables())
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#train
for i in range(1000):
    batch = mnist.train.next_batch(50)
    train_step.run(feed_dict = {x:batch[0],y_:batch[1]})
    res = cross_entropy.eval(feed_dict = {x:batch[0],y_:batch[1]})

#eval 
correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print (accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

说明：

1、Tensorflow依赖于一个高效的C++后端来进行计算。与后端的这个连接叫做session。一般而言，使用TensorFlow程序的流程是先创建一个图，然后在session中启动它。这里，我们使用更加方便的InteractiveSession类。通过它，你可以更加灵活地构建你的代码。它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。如果你没有使用InteractiveSession，那么你需要在启动session之前构建整个计算图，然后启动该计算图。总结：使用InteractiveSession的好处是可以动态地加入图，如果使用session，那么只要定义完之后，就不能继续加入图了。