import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 下载MNIST数据集到'MNIST_data'文件夹并解压
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 设置权重weights和偏置biases作为优化变量，初始值设为0
weights = tf.Variable(tf.zeros([784, 10]))
biases = tf.Variable(tf.zeros([10]))
# 构建模型
x = tf.placeholder("float", [None, 784])
y = tf.nn.softmax(tf.matmul(x, weights) + biases) # 模型的预测值
y_real = tf.placeholder("float", [None, 10]) # 真实值
cross_entropy = -tf.reduce_sum(y_real * tf.log(y)) # 预测值与真实值的交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 使用梯度下降优化器最小化交叉熵
# 开始训练
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100) # 每次随机选取100个数据进行训练，即所谓的“随机梯度下降（Stochastic Gradient Descent，SGD）”
sess.run(train_step, feed_dict={x: batch_xs, y_real:batch_ys}) # 正式执行train_step，用feed_dict的数据取代placeholder
if i % 100 == 0:
# 每训练100次后评估模型
correct_prediction = tf.equal(tf.argmax(y, 1), tf.arg_max(y_real, 1)) # 比较预测值和真实值是否一致
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) # 统计预测正确的个数，取均值得到准确率
print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_real: mnist.test.labels}))
神经网络与机器学习，tensorflow，part3（实现mnist手写数字识别）
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- 原文 Tensorflow 实现 MNIST 手写数字识别 本节笔记作为 Tensorflow 的 Hello W...
- 1.单层神经网络 通过以上的代码可以在测试数据上平均达到92% 的准确率 2.增加一个隐藏层 其它条件不变，只增加...
- 参考内容：tensorflow中文社区tensorflow官网教程 写在MNIST前 先浏览新手入门介绍和基本用法...
- 这是我Deep_in_mnist系列的第二篇博客 注意：这里的代码都是在Jupyter Notebook中运行，原...
- 这是我Deep_in_mnist系列的第三篇博客 注意：这里的代码都是在Jupyter Notebook中运行，原...
