MNIST最基礎示例+註釋–tensorflow社群入門教程

MNIST最基礎示例+註釋–tensorflow社群入門教程

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

# 匯入mnist示例集
mnist = input_data.read_data_sets("./MNIST", one_hot=True)

# 佔位符的建立,先不包含任何資料，只是把空間定下來，None表示這一維度可以是任意長度
x = tf.placeholder("float", [None, 784
 
])

# y = W*x+b  矩陣的計算要構建好矩陣的維度
# Variable 表示可修改的張量，存在tensorflow的用於描述互動性操作的圖
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 最簡單的模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 訓練模型
# 構建一個用來判斷離正確答案差距的函式（成本函式），這裡使用的是交叉熵（cross-entropy）

y_ = tf.placeholder("float", [None, 10])
cross_entropy =
 
 -tf.reduce_sum(y_ * tf.log(y))

# 梯度下降演算法
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化操作
init = tf.initialize_all_variables()

# 執行的時候需要再session中執行
sess = tf.Session()
sess.run(init)

# 訓練一千次
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)   # 一次隨機抓取100張圖片
 

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

# 評估模型
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))  # 返回一組bool值

# 求平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))    # 有多種不同求平均值的方法
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))