tf代码编写步骤（mnist入门）

参考tensorflow社区2.3

一、数据预处理

将数据处理成可以直接被接收运用的样子。

二、对接收传入数据的变量进行占位操作

比如x，y接收传入的数据，那么就先placeholder
x = tf.placeholder("float", [None, 784])
y_ = tf.placeholder("float", [None,10])
这样做的好处在于，可以接收一部分的数据进行运算，而不用一次计算所有的数据

三、对于需要学习的参数，用variable变量来事先定义好，表示可以被修改的张量

W = tf.Variable(tf.zeros([784,10])) #输入x.shape = (None,784)
b = tf.Variable(tf.zeros([10]))

四、实现模型

1、将预测的模型（即预测值y’的表达式）用tf表示出来
比如：y = tf.nn.softmax(tf.matmul(x,W) + b)
2、将损失函数表示出来（即预测值y’和真实值y之间的误差关系）
3、选择优化方法进行优化（即把损失函数传入优化函数中）

五、训练模型

1、定义变量初始化的操作（init）
2、在一个会话（session）中启动模型，并初始化变量
sess.run(init)
3、训练模型，for （1000）， sess.run(train，feed_dict{，，，})

六、评估模型

不同问题有不同的评估方法，最终还是用feed_dict将测试集的数据x和标签y传入。（也能表现出占位符的好处）