TensorFlow——MNIST数据集分类简单版本

#MNIST数据集分类简单版本
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist = input_data.read_data_sets('E:/学习/目标检测/TensorFlow学习/MNIST_DATA',one_hot=True)

#定义每个批次的大小
batch_size = 100#神经网络训练的时候不是一张一张放进去的，是一个批次一个批次，这里表示一个批次是100张图，以一个矩阵的形式放进去

#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size#用数据集训练的数量整除批次大小得到多少个批次

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])#None代表行数任意，跟批次有关
y = tf.placeholder(tf.float32,[None,10])#输出为10个标签

#创建一个简单的神经网络
#只用两个层，输入层和输出层，输入是784个神经元，输出是10个
W = tf.Variable(tf.zeros([784,10]))#定义权值
b = tf.Variable(tf.zeros([10]))#定义偏置值
prediction = tf.nn.softmax(tf.matmul(x,W)+b)#x乘以W再加上b，相当于信号的总和，再经过softmax函数，就会把输出的信号都转化为概率值

#定义二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))

#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#equal函数是比较里面的参数是否相等，一样返回True,不一样返回False
#tf.argmax(y,1)返回真实样本标签y中概率最大的位置，tf.argmax(prediction,1)返回预测标签中最大概率的位置

#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#转化数据类型，将布尔值转化为float32位，再求平均值

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)#获得100张图片，数据保存在第一个参数，标签保存在第二个
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        #执行完这个就是把训练集里的图片都拿过来了一次，训练了一次
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print('Iter' + str(epoch) + ',Testing accuracy' + str(acc))#打印当前的周期和准确率
    #大循环执行里面的操作21次

以上代码中，载入数据集我是使用的绝对路径，没有数据集的可以在这个网址下载，不太大http://yann.lecun.com/exdb/mnist/