07 训练Tensorflow识别手写数字

打开Python Shell，输入以下代码：

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

 # 获取数据（如果存在就读取，不存在就下载完再读取）
 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

 # 输入
 x = tf.placeholder("float", [None, 784]) #输入占位符（每张手写数字784个像素点）
 y_ = tf.placeholder("float", [None,10]) #输入占位符（这张手写数字具体代表的值，0-9对应矩阵的10个位置）

 # 计算分类softmax会将xW+b分成10类，对应0-9
 W = tf.Variable(tf.zeros([784,10])) #权重
 b = tf.Variable(tf.zeros([10])) #偏置
 y = tf.nn.softmax(tf.matmul(x,W) + b) # 输入矩阵x与权重矩阵W相乘，加上偏置矩阵b，然后求softmax（sigmoid函数升级版，可以分成多类）

 # 计算偏差和
 cross_entropy = -tf.reduce_sum(y_*tf.log(y))

 # 使用梯度下降法（步长0.01），来使偏差和最小
 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

 # 初始化变量
 init = tf.global_variables_initializer()
 sess = tf.Session()
 sess.run(init)

 for i in range(10): # 训练10次
   batch_xs, batch_ys = mnist.train.next_batch(100) # 随机取100个手写数字图片
   sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 执行梯度下降算法，输入值x：batch_xs，输入值y：batch_ys

 # 计算训练精度
 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
 print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #运行精度图，x和y_从测试手写图片中取值

执行该段代码，输出0.8002。训练10次得到80.02%的识别准确度，还是可以的。

说明：由于网络原因，手写数字图片可能无法下载，可以直接下载本人做好的程序，里面已经包含了手写图片资源和py脚本。

链接：http://pan.baidu.com/s/1cmYSXK 密码：va2z

参考资料：

1、《面向机器学习初学者的 MNIST 初级教程》：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html