07 訓練Tensorflow識別手寫數字

    打開Python Shell，輸入以下代碼：

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

# 獲取數據（如果存在就讀取，不存在就下載完再讀取）
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 輸入
x = tf.placeholder("float", [None, 784]) #輸入占位符（每張手寫數字784個像素點）
y_ = tf.placeholder("float", [None,10]) #輸入占位符（這張手寫數字具體代表的值，0-9對應矩陣的10個位置）

# 計算分類softmax會將xW+b分成10類，對應0-9
W = tf.Variable(tf.zeros([784,10])) #權重
b = tf.Variable(tf.zeros([10])) #偏置
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，然后求softmax（sigmoid函數升級版，可以分成多類）

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

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

# 初始化變量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

for i in range(10): # 訓練10次
  batch_xs, batch_ys = mnist.train.next_batch(100) # 隨機取100個手寫數字圖片
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 執行梯度下降算法，輸入值x：batch_xs，輸入值y：batch_ys

# 計算訓練精度
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})) #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次得到80.02%的識別准確度，還是可以的。

    說明：由於網絡原因，手寫數字圖片可能無法下載，可以直接下載本人做好的程序，里面已經包含了手寫圖片資源和py腳本。

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

    參考資料：

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