#下载测试数据

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST/", one_hot=True)


#定义占位符，一个784维向量

x = tf.placeholder("float", [None, 784])


#定义W是一个784维向量，带有10个分类值

#定义b是一个10维向量

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))


#定义拟合关系tf.matmul(x,W)+b，x×W+b

y = tf.nn.softmax(tf.matmul(x,W)+b)


#定义_y作为占位符

y_= tf.placeholder("float", [None,10])


#计算交叉熵

cross_entropy = -tf.reduce_sum(y_*tf.log(y))


#使用梯度下降法

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)


#初始化变量

init = tf.initialize_all_variables()


#定义会话

sess = tf.Session()

sess.run(init)


#循环训练1000次模型

for i in range(1000):

  batch_xs, batch_ys = mnist.train.next_batch(100)

  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})


#用tf.equal来做预测召回率

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))


#用tf.reduce_mean计算准确率

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

打印结果

print sess.run(accuracy, feed_dict={x: mnist.test.p_w_picpaths, y_: mnist.test.labels})


0.9189