TensorFlow（3） MNIST数据集分类简单版本（神经网络：一个输入层，一个输出层）

MNIST数据集分类简单版本（神经网络：一个输入层，一个输出层）

import tensorflow as tf

#加载tensorflow mnist数据集
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #one_hot:将标签转换为0和1的形式

#每个批次的大小
batch_size=100  #神经网络中训练按照批次，并不是一张一张图片训练的，批次大小自定义（按照矩阵的形式放进去）

#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size

#定义两个placeholder，784表示：每张图片是28*28=784
x=tf.placeholder(tf.float32,[None,784])

#y表示标签，数字是0-9，所以有10列
y=tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
W=tf.Variable(tf.zeros([784,10]))#权值。输入层，784个输入值；输出层：10个标签（0-9）
b=tf.Variable(tf.zeros([10]))#偏置
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#tf.matmul(x,W)+b信号的总和，softmax函数将这个信号的总和转变为概率值

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

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

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


#结果存放在一个bool型列表中
#tf.equal(a,b):比较a,b的大小是否一样，一样就返回true，否则返回false
#tf.argmax(y,1)求y标签中最大的值在哪个位置
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))


#求准确率
#tf.cast(correct_prediction,tf.float32)格式转换，将bool型转为float，然后在求平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.Session() as sess:
    sess.run(init)
    #所有的图片训练21次
    for epoch in range(21):
        #将所有的图片训练一次
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)#获取每一个批次的100张图片，图片数据保存在batch_xs,图片标签保存在：batch_ys
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter "+str(epoch)+",Testing Accuracy " +str(acc))

结果：