#匯入mnist資料集：
#訓練集有55000個樣本；測試集有10000個樣本；同時驗證集有5000個樣本（每個樣本都有它應標註資訊，即lable）
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist1_data/", one_hot=true)
#檢視mnist資料集的情況
print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)
#載入tensorflow庫，建立interactivesession,之後的運算預設跑在這個session裡
#接下來建立placeholder,即輸入資料的地方，第乙個引數是資料型別，第二個引數代表tensor的shape，就是資料的尺寸
#none代表不限條數的輸入，784=28×28輸入的784維向量
import tensorflow as tf
sess = tf.interactivesession()
x = tf.placeholder(tf.float32, [none, 784])
#variable用來儲存模型引數的，它可以長期存在且在每輪迭代中更新
w = tf.variable(tf.zeros([784, 10])) #把weights和biases全部初始化為0
b = tf.variable(tf.zeros([10]))
# 實現softmax regression演算法 y=softmax(wx+b)
# softmax是tf.nn下面的乙個函式，tf.nn包含了大量神經網路元件，tf.matmul是tensorflow中的矩陣乘法
y = tf.nn.softmax(tf.matmul(x, w) + b)
#為了訓練模型定義乙個loss function描述模型對問題的分類精度：通常使用cross-entropy作為loss function
# hy'（y）=-∑y'ilog(yi) ：用來判斷模型對真實概率分布的估計準確度，y是**的概率分布，y'是真實的概率分布
#先定義placeholder,輸入真實的label,用來計算cross-entropy，這裡y_* tf.log(y)公式中的y'ilog(yi)，reduce_sum求和
#reduce_mean用來對每個batch資料結果求均值
y_ = tf.placeholder(tf.float32, [none, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) #損失函式
#下面定義乙個優化演算法即可開始訓練，採用常見的隨機梯度下降sgd，tensorflow自動構成計算圖，並根據反向傳播演算法訓練
#在每一輪迭代時更新引數來減小loss，tensorflow提供我們封裝好的優化器，只需每輪迭代時feed資料給它就可以
#直接呼叫tf.train.gradientdescentoptimizer，設定學習速率為0.5，優化目標設定為cross-entropy
train_step = tf.train.gradientdescentoptimizer(0.5).minimize(cross_entropy)
#下一步使用tensorflow的全域性引數初始化器tf.global_variables_initializer，並直接使用它的run方法
tf.global_variables_initializer().run()
#最後一步開始迭代執行訓練操作 train_step，這裡每次都隨機從訓練集中抽取100條樣本構成乙個mini-batch,並feed給
#placeholder,然後呼叫 train_step對這些樣本進行訓練。使用一小部分樣本進行訓練稱為隨機梯度下降
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
train_step.run()
#現在已完成了訓練，接下來對模型的準確率進行驗證，tf.argmax是從乙個tensor中尋找最大值的序號
#tf.argmax(y, 1)就是求各個**的數字中概率最大的乙個
#tf.equal方法用來判斷**的數字類別是否是正確的類別
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
#統計全部樣本**的accuracy,這裡需要選用tf.cast將之前correct_prediction輸出的bool值轉換為float32,再求平均
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#計算模型在測試集上的準確率，再將結果列印出來
print(accuracy.eval())
#本演算法平均準確率可達92%左右
使用tensorflow實現了乙個簡單的機器學習演算法 softmax regression,這算作乙個沒有隱含層的最淺的神經網路。參考：《tensorflow實戰》黃文堅 唐源四個流程：
1.定義演算法公式，也就是神經網路forward時的計算
2.定義loss，選定優化器，並指定優化器優化loss
3.迭代地對資料進行訓練
4.在測試集火驗證集上對準確率進行評測
在定義的各個公式其實只是computation graph,在執行這行**時，計算還沒有實際發生，只有等呼叫run方法，並feed資料時計算才真正執行。比如cross_entropy,train_step,accuracy等都是計算圖中的節點，並不是資料結果，可以通過呼叫run 方法執行這些節點或者運算操作來獲取結果。
tensorflow教程學習三深入MNIST
載入資料 from tensorflow.examples.tutorials.mnist import input data mnist input data.read data sets mnist data one hot true 我們使用interactivesession類可以更加靈活地...
Tensorflow 入門記錄
tensor為張量，flow為流圖。tensorflow內含有很多寫好的工具，如梯度下降演算法，卷積操作等。在使用tensorflow時，先導入包import tensorflow as tf，在進行定義tensorflow變數時，使用tf.variable 引數 有趣的是乙個叫做佔位符的工具，tf...
tensorflow入門例子
import tensorflow as tf import numpy as np 使用 numpy 生成假資料 phony data 總共 100 個點.100,2 x data np.float32 np.random.rand 100,2 隨機輸入 y data np.dot x data,...