核心步驟：

（1）定義演算法公式，也就是神經網路前向執行時的計算；

（2）定義loss，選定optimizer，使用優化器優化loss；

（3）開啟迭代的資料訓練操作；

（4）計算準確率，做出評測。

【例】TensorFlow實現手寫數字識別

自己編寫的程式碼，親測可以執行（2018年10月10日,python3.6+tensorflow），其中寫了詳盡的註釋幫助理解。

網路上關於這個話題有很多博文了，但有些博文中程式碼可能跑不通，或也是參考《TensorFlow實戰》一書中的例項來的。

 
'''python3+tensorflow
用最淺的神經網路實現手寫數字的識別'''


import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data  #匯入官方提供的資料

# number 1 to 10 data 如果沒有會去下載下來
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

def add_layer(inputs, in_size, out_size, activation_function=None,):
    # add one more layer and return the output of this layer
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b,)
    return outputs

def compute_accuracy(v_xs, v_ys):
    global prediction
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1)) #tf.argmax是尋找一個tensor中最大值的序號
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #用tf.cast將之前correct_prediction的BOOL強轉為float32 再求平均
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None, 784]) # 規定每一個sample的特徵是28x28=784個變數，每個手寫字型sample行改寫成列
ys = tf.placeholder(tf.float32, [None, 10])

# add output layer 這是一個沒有隱含層的最淺的機器學習的神經網路
prediction = add_layer(xs, 784, 10,  activation_function=tf.nn.softmax)
#sofrmax常常用來用來做多分類。

# the error between prediction and real data
# cross_entropy就是它的loss 和softmax搭配的一種loss計算方法
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))       
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
# important step
sess.run(tf.initialize_all_variables())

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100) #提取出一部分的資料集xs和ys
    #（分批次訓練降低計算量，減少耗時，也能避免陷入區域性最優 ）
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels))