实现一个简单的MNIST手写数字识别，不带隐藏层的前向传播神经网络，使用梯度下降进行训练。
准确率0.92
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('MNIST_data', one_hot=True)#载入数据集 batch_size = 100#每个批次的大小 #计算一共有多少个批次 n_batch = mnist.train.num_examples // batch_size x = tf.placeholder(tf.float32, [None, 784]) y = tf.placeholder(tf.float32, [None, 10]) #创建一个简单的神经网络，不带隐藏层，使用梯度下降进行训练，没有用反向传播 w = tf.Variable(tf.zeros([784, 10]))#权值矩阵 b = tf.Variable(tf.zeros([10]))#偏置值 prediction = tf.nn.softmax(tf.matmul(x, w) + b)#使用softmax进行预测 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))#损失函数用交叉熵 train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss)#梯度下降进行训练 init = tf.initialize_all_variables()#初始化变量 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))#返回布尔类型的列表 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#计算准确率 with tf.Session() as sess: sess.run(init) for epoch in range(30):#训练30个周期 for batch in range(n_batch): batch_x, batch_y = mnist.train.next_batch(batch_size) sess.run(train_step, feed_dict={x:batch_x, y:batch_y}) acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})#使用测试集进行评测准确率 print('Iter',epoch,'Accuracy:',acc)
