使用softmax實現手寫體數字識別完整程式碼如下：

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

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
print("Download Done!")

x = tf.placeholder(tf.float32, [None, 784])

# paras
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10
 
]))

y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])

# loss func
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# init
init = tf.initialize_all_variables()

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

# train
 

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
 

在實現過程中主要遇到的幾個坑

• 讀入MNIST時存在的問題: 存在網路限制，可能有些國外的資料網站不能訪問或者訪問速度較慢，執行讀取MNIST資料庫的時候，會出現長時間沒有反應但是沒有報錯的情況，可能是直接使用程式碼下載MNIST資料庫的速度較慢。

  解決方案： 直接從MNIST資料集官方網站 Yann LeCun’s website 下載資料庫，並直接將下載好的4個.gz檔案放置到當前目錄的MNIST_data/資料夾裡面，不需要解壓。
  MNIST_data/資料夾是由語句mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)確定，目錄的名字可以更改。

• 讀入input_data語句存在的問題：
  原來文件中的程式碼是：

  import tensorflow.examples.tutorials.mnist.input_data
  mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)

  可能還附帶一個input_data.py檔案，這樣使用的話會報錯。
  在最新的官方文件中，直接使用如下程式碼：

  from tensorflow.examples.tutorials.mnist import input_data
  mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)

  不需要再匯入input_data.py檔案

• TensorFlow中變數Variable 和 佔位符placeholder的使用技巧
  就我目前觀察到的來講，Variable主要用來定義大小未確定，會隨著程式而改變的tensor，variable可以在程式中途進行feed賦值。
  variable在使用之前都要進行初始化，可以使用語句sess.run(tf.initialize_all_variables())或者sess.run(tf.global_variables_initializer())，推薦使用後一種初始化方式。