山楂园

tensorflow官网给出的入门案例，即给定一堆手写数字图片，使用机器学习方法对该数字图片进行分类。

1.导入数据集，tensorflow可以直接使用如下方式在网上在线下载

import tensorflow as tf
import ssl
ssl._create_default_https_context = ssl._create_unverified_context#不加这个会报错的，当你urllib.urlopen一个 https 的时候会验证一次 SSL 证书 ，当目标使用的是自签名的证书时就会爆出该错误消息。
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)#这个数据集每一张图片都有784个像素点28*28
xs = tf.placeholder(tf.float32,[None,784])#28*28
ys = tf.placeholder(tf.float32,[None,10])#每一个图片对应十个标签的输出

Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

2.添加层的代码，这里只做一个仅有输入层和输出层的简单模型

def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#定义一个大小为in_size和out_size的一个权重矩阵
    biases = tf.Variable(tf.zeros([1,out_size])+0.1) #定义一个1行，out_size列的偏置。一般biases不推荐为0
    Wx_plus_b = tf.matmul(inputs,Weights)+biases
    if activation_function is None:
        output = Wx_plus_b
    else:
        output = activation_function(Wx_plus_b)
    return output
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)#这里用的是softmax作为激活函数

3.设置误差函数

cross_entroy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))
#交叉熵

softmax作为激励函数+交叉熵作为损失函数是非常常用的输出层

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entroy)

4.训练

sess = tf.Session()
sess.run(tf.global_variables_initializer())
def compute_accuracy(v_xs,v_ys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:v_xs})
    correct_prediction = tf.equal(tf.arg_max(y_pre,1),tf.arg_max(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换
    res = sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys})
    return res
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    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))

softmax+交叉熵：https://segmentfault.com/a/1190000017320763