tensorflow实现手写数字识别(MNIST)

手写数字图片数字集
      机器学习需要从数据中间学习，因此首先需要采集大量的真实样本数据。以手写的数字图片识别为例，我们需要收集大量的由真人书写的0-9的数字图片，为了便于存储和计算，一般把收集的原始图片缩放到某个固定的大小(Size或Shape),比如224个像素的行和224个像素的列(224x 224)，或者96个像素的行和96个像素的列(96x 96)，这张图片将作为输入数据x。同时，我们需要给每一张图片标注一个标签(Label)，它将作为图片的真实值y，这个标签表明这张图片属-一个具体的类别，一般通过映射方式将类别名–对应到从0开始编号的数字，比如说硬币的正反面，我们可以用0来表示硬币的反面，用1来表示硬币的正面，当然也可以反过来1表示硬币的反面，这种编码方式叫作数字编码(Number Encoding)。对于手写数字图片识别问题，编码更为直观，我们用数字的0-9表示类别为0-9的的图片。

      现在我们来看下图片的表示方法。一张图片包含了h行(HeightRow), w列(Width/Column)，每个位置保存了像(Pixel)值，像素值一般使用0-255的整形数值来表达颜色强度信息，例如0表示强度最低，255 表示强度最高。如果是彩色图片，则每个像素点包含了R、G、B三个通道的强度信息，分别代表红色通道、绿色通道、蓝色通道的颜色强度，所以与灰度图片不同，它的每个像素点使用一个 1维、长度为3的向量(Vector)来表示，向量的3个元素依次代表了当前像素点上面的R、G、B颜色强值，因此彩色图片需要保存为形状是[h, w, 3]的张量(Tensor,可以通俗地理解为3维数组)。如果是灰度图片，则使用一个数值来表示灰度强度，例如0表示纯黑，255