一、code

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

mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
sess = tf.InteractiveSession()

x = tf.placeholder("float",shape = [None,784])
y_ = tf.placeholder("float",shape = [None,10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)

cross_entropy = -tf.reduce_sum(y_*tf.log(y))
sess.run(tf.initialize_all_variables())
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#train
for i in range(1000):
    batch = mnist.train.next_batch(50)
    train_step.run(feed_dict = {x:batch[0],y_:batch[1]})
    res = cross_entropy.eval(feed_dict = {x:batch[0],y_:batch[1]})

#eval 
correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print (accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
 

1、Tensorflow依賴於一個高效的C++後端來進行計算。與後端的這個連線叫做session。一般而言，使用TensorFlow程式的流程是先建立一個圖，然後在session中啟動它。這裡，我們使用更加方便的InteractiveSession類。通過它，你可以更加靈活地構建你的程式碼。它能讓你在執行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。這對於工作在互動式環境中的人們來說非常便利，比如使用IPython。如果你沒有使用InteractiveSession，那麼你需要在啟動session之前構建整個計算圖，然後啟動該計算圖。總結：使用InteractiveSession的好處是可以動態地加入圖，如果使用session，那麼只要定義完之後，就不能繼續加入圖了