[重要] tensorflow二元或softmax分类例子（手写体）

参考这个官方文档

 

王津的例子

 

from tensorflow.examples.tutorials.mnist import input_data
#或import input_data
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
print(mnist.train.labels)
print(mnist.train.num_examples)
print(mnist.validation.num_examples)
#read_data_sets自动将数据分为train,validation,test
#out:[[0000001000]
#     ......
#     [0000000001]]
#     55000
#     5000
#训练数据集的图片是 mnist.train.images 
#训练数据集的标签是 mnist.train.labels
#测试集图片：mnist.test.images
#测试集标签：mnist.test.labels

import tensorflow as tf
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]))

sess.run(tf.global_variables_initializer())
#init = tf.global_variables_initializer()
#sess.run(init)

y = tf.nn.softmax(tf.matmul(x,W) + b)
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#我们把 y_ 的每一个元素和 tf.log(y) 的对应元素相乘。最后，用 tf.reduce_sum 计算张量的所有元素的总和。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#tf.train.GradientDescentOptimizer优化算法很多，这里是梯度下降

for i in range(1000):
    batch = mnist.train.next_batch(50)
    #mnist.train.next_batch 可以从所有的训练数据中读一小部分作为训练batch
    train_step.run(feed_dict={x: batch[0], y_: batch[1]})
    '''
	用这些数据点作为参数替换之前的占位符来运行train_step。
	使用一小部分的随机数据来进行训练被称为随机训练（stochastic training）- 在这里更确切的说是随机梯度下降训练。
	也可以：
	batch_xs, batch_ys = mnist.train.next_batch(100)
	sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

	tf.argmax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
	correct_prediction是一组布尔值，如[True, False, True, True] 
	tf.cast可以把布尔值变成[1,0,1,1] ，redyce_mean取平均值后得到 0.75.
	'''
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))