Mnist手寫體識別是tensorflow的入門經典教程，此處的mnist的手寫體識別率達到了91%，優化演算法為梯度下降演算法，啟用函式為softmax迴歸，沒有中間層，基本步驟可以分為七步。

1、設定變數

2、設定資料與結果的計算關係(設定圖)

3、設定優化演算法（梯度下降，train_step）

4、設定啟用函式（sotfmax）

5、初始化資料

6、開始訓練

7、模型評估

程式碼如下：

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

INPUT_NODE = 784
OUTPUT_NODE =

10

#梯度下降率
GDDOWN = 0.01

#訓練輪數
TRAINING_TIMES = 1000

#每次訓練數量
TRAINING_STEPS = 100

if __name__ == '__main__':
    mnist = input_data.read_data_sets("/path/to/MNIST_data/", one_hot=True)
    ##首先打印出mnist圖片資料的大小
    print("input_data\'s train size: " , mnist.train.num_examples)
    print("input_data\'s validation size: "

, mnist.validation.num_examples)
    print("input_data\'s test size: " , mnist.test.num_examples)

    # 各個變數
    x = tf.placeholder("float", shape=[None, INPUT_NODE])
    y_ = tf.placeholder("float", shape=[None,OUTPUT_NODE])

    W = tf.Variable(tf.zeros([INPUT_NODE, OUTPUT_NODE]))
    b = tf.Variable(tf.zeros([OUTPUT_NODE]))

    #

變數初始化
    init = tf.initialize_all_variables()
    sess = tf.InteractiveSession()
    sess.run(init)

    # 初始化圖
    y = tf.nn.softmax(tf.matmul(x, W) + b)

    # 優化演算法
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    train_step =tf.train.GradientDescentOptimizer(GDDOWN).minimize(cross_entropy)

    for i in range(TRAINING_TIMES):
        # 訓練
        batch_xs, batch_ys =mnist.train.next_batch(TRAINING_STEPS)
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
        # 模型評估
        correct_prediction = tf.equal(tf.argmax(y, 1),tf.argmax(y_, 1))
        accuracy =tf.reduce_mean(tf.cast(correct_prediction, "float"))
        j = i+1
        print("第%d輪訓練,訓練個數%d個" % (j,j*TRAINING_STEPS))
        #print("正確率預測： " + correct_prediction + "\n")
        print("當前正確率： ")
        print(sess.run(accuracy,feed_dict={x: mnist.test.images, y_: mnist.test.labels}))