整體程式碼：

#資料讀取
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

#定義待輸入資料的佔位符
#mnist中每張照片共有28*28=784個畫素點
x = tf.placeholder(tf.float32,[None,784],name="
 
X")

#0-9一共10個數字=>10個類別
y = tf.placeholder(tf.float32,[None,10],name="Y")

#定義模型變數
#以正態分佈的隨機數初始化權重W，以常數0初始化偏置b
#在神經網路中，權值W的初始值通常設為正態分佈的隨機數，偏置項b的初始值通常也設定為正態分佈的隨機數或常數。
W = tf.Variable(tf.random_normal([784,10],name="W"))
b = tf.Variable(tf.zeros([10]),name="b")

#用單個神經元構建神經網路
forward=tf.matmul(x,W) + b   #
 
前向計算

#結果分類
#當我們處理多分類任務的時候，通常需要使用Softmax Regression模型。Softmax會對每一類別估算出一個概率。
#工作原理：將判定為某一類的特徵相加，然後將這些特徵轉化為判定是這一類的概率
pred = tf.nn.softmax(forward)     #Softmax分類

#設定訓練引數
train_epochs = 120     #訓練輪數
batch_size = 120      #單次訓練樣本數（批次大小）
total_batch = int(mnist.train.num_examples/batch_size)              #
 
一輪訓練有多少批次
display_step = 1   #顯示粒度
learning_rate = 0.01             #學習率 

#概率估算值需要將預測輸出值控制在[0,1]區間內。二元分類問題的目標是正確預測兩個可能標籤中的一個
#邏輯迴歸可以用於處理這類問題。二元邏輯迴歸的損失函式一般採用對數損失函式
#多元分類：邏輯迴歸可生成介於0到1.0之間的小數。Softmax將這一想法延伸到多類別領域。
#在多類別問題中，Softmax會為每個類別分配一個用小數表示的概率。這些用小數表示的概率相加之和必須是1.0

#交叉熵損失函式：交叉熵是一個資訊理論的概念，它原來是用來估算平均編碼長度的。
#交叉熵刻畫的是兩個概率分佈之間的距離，p代表正確答案，q代表的預測值，交叉熵越小，兩個概率的分佈越接近
#定義損失函式
loss_function = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))    #交叉熵

#選擇優化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)     #梯度下降優化器

#定義準確率
# 檢查預測類別tf.argmax(pred,1)與實際類別tf.argmax(y,1)的匹配情況
#argmax()將陣列中最大值的下標取出來
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))

#準確率，將布林值轉化為浮點數，並計算平均值    tf.cast()將布林值投射成浮點數
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

#宣告會話，初始化變數
sess = tf.Session()
init = tf.global_variables_initializer()   #變數初始化
sess.run(init)

#訓練模型
for epoch in range(train_epochs):
    for batch in range(total_batch):
        xs,ys = mnist.train.next_batch(batch_size)  #讀取批次資料
        sess.run(optimizer,feed_dict={x:xs,y:ys})   #執行批次訓練
        
    #total_batch個批次訓練完成後，使用驗證資料計算誤差與準確率，驗證集沒有分批
    loss,acc = sess.run([loss_function,accuracy],feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
    
    #列印訓練過程中的詳細資訊
    if (epoch+1) % display_step == 0:
        print("Train Epoch:",'%02d'%(epoch+1),"Loss=","{:.9f}".format(loss),"Accuracy=","{:.4f}".format(acc))
        
print("Train Finished!")
        
#評估模型
#完成訓練後，在測試集上評估模型的準確率
accu_test = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("Test Accuracy:",accu_test)
#完成訓練後，在驗證集上評估模型的準確率
accu_validation = sess.run(accuracy,feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
print("Test Accuracy:",accu_validation)
#完成訓練後，在訓練集上評估模型的準確率
accu_train = sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels})
print("Test Accuracy:",accu_train)

#應用模型
#在建立模型並進行訓練後，若認為準確率可以接受，則可以使用此模型進行預測
#由於pred預測結果是one_hot編碼格式，所以需要轉換成0~9數字
prediction_result = sess.run(tf.argmax(pred,1),feed_dict={x:mnist.test.images})

#檢視預測結果中的前10項
prediction_result[0:10]

#定義視覺化函式
def plot_images_labels_prediction(images,labels,prediction,index,num=10):  #引數： 圖形列表，標籤列表，預測值列表，從第index個開始顯示，預設一次顯示10幅
    fig = plt.gcf()             #獲取當前圖表，Get Current Figure
    fig.set_size_inches(10,12)    #1英寸等於2.45cm
    if num > 25 :      #最多顯示25個子圖
        num = 25
    for i in range(0,num):
        ax = plt.subplot(5,5,i+1)   #獲取當前要處理的子圖
        ax.imshow(np.reshape(images[index],(28,28)), cmap = 'binary')              #顯示第index個影象
        title = "labels="+str(np.argmax(labels[index]))              #構建該圖上要顯示的title資訊
        if len(prediction)>0:
            title += ",predict="+str(prediction[index])
            
        ax.set_title(title,fontsize=10)    #顯示圖上的title資訊
        ax.set_xticks([])           #不顯示座標軸
        ax.set_yticks([])
        index += 1
    plt.show()
#視覺化預測結果
plot_images_labels_prediction(mnist.test.images,mnist.test.labels,prediction_result,10,10)