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

mnist = input_data.read_data_sets("E:\\MNIST_data\\", one_hot=True)

#構建回歸模型，輸入原始真實值（group truth）,采用sotfmax函數擬合，並定義損失函數和優化器
#定義回歸模型
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b 
 
= tf.Variable(tf.zeros([10]))
#  預測值=矩陣運算(輸入，權值) + 偏置
y = tf.matmul(x, W) + b 
# 定義損失函數和優化器
#輸入真實占位符
y_ = tf.placeholder(tf.float32, [None, 10]) 
#使用tf.nn.softmax_cross_entropy_with_logits計算預測值與真實值之間的差距
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
 
#使用梯度下降優化
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#訓練模型
#使用InteractiveSession()創建交互式上下文tf會話，這裏的會話是默認
#在tf.Tensor.eval 和tf.Operation.run中都可以使用該會話來運行操作(OP)
sess = tf.InteractiveSession()
#註意：之前的版本中使用的是 tf.initialize_all_variables 作為初始化全局變量，已被棄用，更新後的采用一下命令
tf.global_variables_initializer().run()

 
for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
    
#模型評估
# 計算預測模型和真實值
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
# 布爾型轉化為浮點數，並取平均值 ，得出準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
#計算模型在測試集上的準確率 並打印結果
print(sess.run(accuracy, feed_dict={x: mnist.test.images,y_: mnist.test.labels}))

吳裕雄 python 神經網絡——TensorFlow實現回歸模型訓練預測MNIST手寫數據集