自己的TensorFlowd的mnist入门

    这是我关于mnist手势数据集的入门，包含了自己的一些感想，也是第一篇博客，希望能得到大家的指正，共同交流。

 

mnist是机器学习的入门水平，相当于编程的holle world，但就是看似简单的东西，由于自己的水平有限，耗费了不少时间。

先说一下遇到的问题：

1. 自己一直用的是notepad++，但是在调用   下载数据集时，会出现如下错误：
2. 为此我打算自己下载数据集，下载地址    我将其存放在mnist文件夹下，需要注意的一点是不要解压，运行 时，出现错误 ，找了许多方法也不管用

        没办法只能病急乱投医了，，，于是在命令行窗口将源代码跑了一遍，竟然运行成功了，，，，，吐血，，

        感觉突然对notepad++失去了信心，不过也有可能是某些问题我没有发现，希望大家可以指正，下面我就讲我的正确步骤讲一下，也算是给自己加深一下印象

 

步骤：

          首先导入tensorflow和其自带的input_data.py文件

           

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

         接下来运行下面一行代码下载数据集并获取（如果已经下载则直接获取数据集）

mnist = input_data.read_data_sets('mnist', one_hot = true)

         此时获取的数据集就保存在当前目录下的mnist文件夹

 

        然后运行如下代码构建tensorflow的计算图

#x没有指定具体样本数量，后面可以灵活插入具体的样本数量值
x = tf.placeholder("float", [none, 784])
w = tf.variable(tf.zeros([784,10]))
b = tf.variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,w) + b)
y_ = tf.placeholder("float", [none,10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#优化算法采用梯度下降法
train_step = tf.train.gradientdescentoptimizer(0.01).minimize(cross_entropy)
#初试化所有变量（tensorflow中必须初始化一下）
init = tf.initialize_all_variables()

 

       下面创建session来运行上面创建的计算图

sess = tf.session()
sess.run(init)
#用for循环进行1000此梯度下降迭代
for i in range(1000):
    #此处采用batch为100的随机梯度下降算法
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#用equal函数进行正确率的计算
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#将正确率打印出来
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

    我得到的结果是0.9058，其实这个结果对于mnist来说不是特别好，主要是因为只用了一层的nn，如果采用多层的cnn效果会好得多

 

还存在的疑问：在coursera课程上习惯于向量化的时候将样本数作为列数，我试过，但是在feed_dict的时候出错了，可能由于现在掌握的东西太少，还得继续努力，接下来遇到问题及解决方法会继续记录下来，希望大家能够交流指正。