一 概述
1.数据集
minist有55000个样本，测试集有10000个样本，验证集有5000个样本，每个样本都有标签。每张图片是28*28的灰度图像，所以说每个样本有28*28=784维的特征。数据集总的特征为55000*784，标签是一个10维的向量。
2.softmax pegression算法
工作原理：将判断为某类的特征相加，然后将这些特征转化为判定这是一类的的概率。 将特征写成如下公式：i代表第i类，j代表一张图片的第j个像素。b是数据本身的某些倾向，比如大部分数字都是0，那么0的倾向就大一点。 对所有特征计算softmax。简单来说就是对所有特征计算一个exp函数，然后再进行标准化（然输出概率值和为1）。 判定为i类的概率为 总结后，可以简写为
y=sofftmax(Wx+b)
3.损失函数cross-entropy
二 TensorFlow实现
1.导入库
from tensorflow
.examples.tutorials.mnist import input_data
mnist = input_data
.read_data_sets(
"MNIST_data/", one_hot=True)
#下载数据
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)
import tensorflow as tf
2.初始化参数模型
sess = tf
.InteractiveSession()
#注册为默认的Session
x = tf
.placeholder(tf
.float32, [None,
784])
#定义输入数据的地方，第一个参数是参数类型，第二个参数是shape
W = tf
.Variable(tf
.zeros([
784,
10]))
b = tf
.Variable(tf
.zeros([
10]))
y = tf
.nn.softmax(tf
.matmul(
x, W) + b)
#matmul矩阵乘法
y_ = tf
.placeholder(tf
.float32, [None,
10])
cross_entropy = tf
.reduce_mean(-tf
.reduce_sum(y_ * tf
.log(
y), reduction_indices=[
1]))
#tf.reduce_mean对每个批次数据求均值
train_step = tf
.train.GradientDescentOptimizer(
0.5)
.minimize(cross_entropy)
tf
.global_variables_initializer()
.run()
#初始化参数
3.开始训练
对模型准确率进行验证。tf.argmax(y_, 1)是预测数据中概率最大的，tf.argmax(y_, 1)样本真实数字类别。将correct_prediction输出的bool值，用tf.cast转化为float32，再求平均。在测试集上评估，并输出。
for i
in range(
1000):
batch_xs, batch_ys = mnist
.train.next_batch(
100)
#每次取100个数据为一个批次
train_step
.run({
x: batch_xs, y_: batch_ys})
#训练
correct_prediction = tf
.equal(tf
.argmax(
y,
1), tf
.argmax(y_,
1))
accuracy = tf
.reduce_mean(tf
.cast(correct_prediction, tf
.float32))
print(accuracy
.eval({
x: mnist
.test.images, y_: mnist
.test.labels}))
三 总结
需要注意的是使用Tensorflow时，我们定义的公式其实只是computation graph(计算图)，在执行这些代码时计算还没有发生，只有调用run方法，并feed数据时计算才真正执行。
