07 訓練Tensorflow識別手寫數字

    打開Python Shell，輸入如下代碼：

 1 import tensorflow as tf
 2 from tensorflow.examples.tutorials.mnist import input_data
 3 
 4 # 獲取數據（若是存在就讀取，不存在就下載完再讀取）
 5 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
 6 
 7 # 輸入
 8 x = tf.placeholder("float", [None, 784]) #輸入佔位符（每張手寫數字784個像素點）
 9 y_ = tf.placeholder("float", [None,10]) #輸入佔位符（這張手寫數字具體表明的值，0-9對應矩陣的10個位置）
10 
11 # 計算分類softmax會將xW+b分紅10類，對應0-9
12 W = tf.Variable(tf.zeros([784,10])) #權重
13 b = tf.Variable(tf.zeros([10])) #偏置
14 y = tf.nn.softmax(tf.matmul(x,W) + b) # 輸入矩陣x與權重矩陣W相乘，加上偏置矩陣b，而後求softmax（sigmoid函數升級版，能夠分紅多類）
15 
16 # 計算誤差和
17 cross_entropy = -tf.reduce_sum(y_*tf.log(y))
18 
19 # 使用梯度降低法（步長0.01），來使誤差和最小
20 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
21 
22 # 初始化變量
23 init = tf.global_variables_initializer()
24 sess = tf.Session()
25 sess.run(init)
26 
27 for i in range(10): # 訓練10次
28   batch_xs, batch_ys = mnist.train.next_batch(100) # 隨機取100個手寫數字圖片
29   sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 執行梯度降低算法，輸入值x：batch_xs，輸入值y：batch_ys
30 
31 # 計算訓練精度
32 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
33 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
34 print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #運行精度圖，x和y_從測試手寫圖片中取值

    執行該段代碼，輸出0.8002。訓練10次獲得80.02%的識別準確度，仍是能夠的。

    說明：因爲網絡緣由，手寫數字圖片可能沒法下載，能夠直接下載本人作好的程序，裏面已經包含了手寫圖片資源和py腳本。

    連接：http://pan.baidu.com/s/1cmYSXK 密碼：va2z

    參考資料：

    一、《面向機器學習初學者的 MNIST 初級教程》：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html