tensorflow入门-数字识别

1安装tensflow 

    mac下安装tensflow的方法

    1安装了pip

    2sudo  pip install -U tensorflow

2代码

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#导入数据源

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

#我们通过为输入图像和目标输出类别创建节点，来开始构建计算图

#二维占位符 784是每一个展平的图片的维度 None大小不定指代batch的大小 placeholder的shape可选

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

#权重  是变量能够修改 模型一般用Variable来表示 784x10维度向量

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

#偏置  是变量 一个10维的向量

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

#损失函数 是目标类别与预测类别的交叉商

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

#每一行为一个10维的one_hot向量 用于代表图片的类别

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

#reduce_sum把minibatch里每张图片的交叉商都加起来

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

#在运行时会使用梯度下降来更新参数 因此整个模型可以反复运行train_step来完成 步长为0.01

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

#变量需要通过session初始化 才能在session中使用

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

for i in range(1000):

#每一个迭代 都会加载100个样本 然后通过deed_dict将x和y_张量占位符用训练数据替代

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

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

#评估模型 预测的是否与真实标签匹配

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

#计算在测试数据上的准确率 并打印

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

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

3目录结构

我们把代码写在load.py中

然后cd到这一层目录python load.py即可

4结果

运行结果

表示识别的准确度是0.9114也就是百分之91.14