分類和迴歸的區別在於輸出變數的型別上。 通俗理解定量輸出是迴歸，或者說是連續變數預測； 定性輸出是分類，或者說是離散變數預測。如預測房價這是一個迴歸任務； 把東西分成幾類, 比如貓狗豬牛，就是一個分類任務。

首先準備資料（MNIST庫），MNIST庫是手寫體數字庫，差不多是這樣子的

資料中包含55000張訓練圖片，每張圖片的解析度是28×28，所以我們的訓練網路輸入應該是28×28=784個畫素資料。

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt

# number 1 to 10 data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)  # 如果沒有這個資料包會去網上幫你下載下來。

def add_layer(inputs,in_size,out_size,activation_function=None): # 輸入值，輸入的大小，輸出的大小，激勵函式
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))  #定義矩陣 隨機變數生成初始的時候會比全0的好
    # 定義weights為一個in_size行, out_size列的隨機變數矩陣
    biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)   # 推薦初始值不為0
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    # 當激勵函式為None時，輸出就是當前的預測值——Wx_plus_b
    # 不為None時，就把Wx_plus_b傳到activation_function()函式中得到輸出。
    if activation_function is None:   # 線性關係，就不需要再加非線性方程
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):
    global prediction  # 定義全域性變數
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})  # 用xs生成預測值  1行10列，介於0、1之間的數
    correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1)) # 概率最大值的位置是不是等於真是資料中1的位置
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 計算這組資料到底多少對的多少錯的
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result   # 輸出百分比

xs = tf.placeholder(tf.float32,[None,784])  # 每一張圖片有784個畫素點
ys = tf.placeholder(tf.float32,[None,10])   # 有十個數字輸出

# 呼叫add_layer函式搭建一個最簡單的訓練網路結構，只有輸入層和輸出層。
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax) # softmax用來做分類
# 其中輸入資料是784個特徵，輸出資料是10個特徵，激勵採用softmax函式，網路結構圖是這樣子的

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),
                     reduction_indices=[1])) # loss函式（即最優化目標函式）選用交叉熵函式。交叉熵用來衡量預測值和真實值的相似程度
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
    # train方法採用梯度下降法  優化器    目標，最小化誤差

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

for i in range(2000):
    batch_xs,batch_ys = mnist.train.next_batch(100)  # 現在開始train，從下載好的database每次只取100張圖片，免得資料太多訓練太慢。
    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))

plt.show()
 

神經網路結構圖：