第四天、TensorFlow线性回归和分类的入门

一、手写数字识别的背景介绍

利用到MNIST数据集，数据集下载网址：

http://yann.lecun.com/exdb/mnist/

1、图像格式介绍：

每一张图片包含28*28个像素，每一个数组展开成一个向量，长度是28*28=784（一行接着一行）。

60000个训练图像是一个形状为[60000,784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片的像素点。图片里某个像素的强度值介于0-1之间。

2、数据集的标签：

介于0-9的数字，可以转化成“one-hot vectors”。比如标签0表示为([1,0,0,0,0,0,0,0,0,0])，比如标签3表示为([0,0,0,1,0,0,0,0,0,0])

3、神经网络的构建：

加隐藏层效果会更好，但是这里是入门项目，就不加了。

4、Softmax函数

上图中，p1,p2,p3分别表示标签为1,5,3的概率，显然需要选择标签为5，因为概率最大。

二、线性回归入门（这里用了一个非线性回归的例子）

注意：当Jupyter报错“SyntaxError: invalid syntax”时，检测该报错的上一行是否少了括号。

优化过程中，不断改变：Weights_L1，biases_L1，Weights_L2，biases_L2

结果图如下：

三、MNIST数据集分类简单版本

代码如下：