import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("E:\\MNIST_data\\", one_hot=True) #构建回归模型，输入原始真实值（group truth）,采用sotfmax函数拟合，并定义损失函数和优化器 #定义回归模型 x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) # 预测值=矩阵运算(输入，权值) + 偏置 y = tf.matmul(x, W) + b # 定义损失函数和优化器 #输入真实占位符 y_ = tf.placeholder(tf.float32, [None, 10]) #使用tf.nn.softmax_cross_entropy_with_logits计算预测值与真实值之间的差距 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) #使用梯度下降优化 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) #训练模型 #使用InteractiveSession()创建交互式上下文tf会话，这里的会话是默认 #在tf.Tensor.eval 和tf.Operation.run中都可以使用该会话来运行操作(OP) sess = tf.InteractiveSession() #注意：之前的版本中使用的是 tf.initialize_all_variables 作为初始化全局变量，已被弃用，更新后的采用一下命令 tf.global_variables_initializer().run() for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) #模型评估 # 计算预测模型和真实值 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 布尔型转化为浮点数，并取平均值 ，得出准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #计算模型在测试集上的准确率 并打印结果 print(sess.run(accuracy, feed_dict={x: mnist.test.images,y_: mnist.test.labels}))
