MNIST手写数字分类simple版（03-2）

simple版本nn模型 训练手写数字处理

MNIST_data数据   百度网盘链接：https://pan.baidu.com/s/19lhmrts-vz0-w5wv2A97gg
提取码：cgnx

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

#载入数据集
mnist=input_data.read_data_sets("MNIST_data", one_hot=True)

#每个批次的大小
batch_size=100
#计算一共有多少批次
n_batch=mnist.train.num_examples // batch_size

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])
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]))
b=tf.Variable(tf.zeros([1,10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

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

#使用剃度下降法
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)) #argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(20):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            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))

如果我们把上边代码的二次代价函数换成下边这行代码，其余不变，得到的结果会更好一些，具体原因看下篇博客 对交叉墒和二次代价函数的介绍

 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))

目录：

1. tensorflow简介、目录
2. tensorflow中的图（02-1）
3. tensorflow变量的使用（02-2）
4. tensorflow中的Fetch、Feed（02-3）
5. tensorflow版helloworld---拟合线性函数的k和b（02-4）
6. tensorflow非线性回归（03-1）
7. MNIST手写数字分类simple版（03-2）
8. 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
9. 多层网络通过防止过拟合，增加模型的准确率（04-2）
10. 修改优化器进一步提升准确率（04-3）
11. 手写数字识别-卷积神经网络cnn（06-2）
12. 循环神经网络rnn与长短时记忆神经网络简述（07-2）
13. 循环神经网络lstm代码实现（07-3）
14. tensorflow模型保存和使用08
15. 下载inception v3  google训练好的模型并解压08-3
16. 使用inception v3做各种图像分类识别08-4
17. word2vec模型训练简单案例
18. word2vec+textcnn文本分类简述及代码