一、TensorFlow簡介
TensorFlow是由谷歌開發的一套機器學習的工具，使用方法很簡單，只需要輸入訓練數據位置，設定參數和優化方法等，TensorFlow就可以將優化結果顯示出來，節省了很大量的編程時間，TensorFlow的功能很多很強大，這邊挑選了一個比較簡單實現的方法，就是利用TensorFlow的邏輯回歸算法對數據庫中的手寫數字做識別，讓機器找出規律，然后再導入新的數字讓機器識別。
二、流程介紹
上圖是TensorFlow的流程，可以看到一開始要先將參數初始化，然后導入訓練數據，計算偏差，然后修正參數，再導入新的訓練數據，不斷重復，當數據量越大，理論上參數就會越准確，不過也要注意不可訓練過度。
三、導入數據
數據可進入MNIST數據庫 (Mixed National Institute of Standards and Technology database)，這是一個開放的數據庫，里面有許多免費的訓練數據可以提供下載，這次我們要下載的是手寫的阿拉伯數字，為什么要阿拉伯數字呢？1、因為結果少，只有十個，比較好訓練 2、圖片的容量小，不占空間，下面是部分的訓練數據案例
TensorFlow可以直接下載MNIST上的訓練數據，並將它導入使用，下面為導入數據的代碼
from tensorflow.examples.tutorials.mnist import input_data MNIST = input_data.read_data_sets("/data/mnist", one_hot=True)
四、設定參數
接下來就是在TensorFlow里設定邏輯回歸的參數，我們知道回歸的公式為Y=w*X+b，X為輸入，Y為計算結果，w為權重參數，b為修正參數，其中w和b就是我們要訓練修正的參數，但訓練里要怎么判斷計算結果好壞呢？就是要判斷計算出來的Y和實際的Y損失值（loss）是多少，並盡量減少loss，這邊我們使用softmax函數來計算，softmax函數在計算多類別分類上的表現比較好，有興趣可以百度一下，這邊就不展開說明了，下面為參數設定
X = tf.placeholder(tf.float32, [batch_size, 784], name="image") Y = tf.placeholder(tf.float32, [batch_size, 10], name="label")
X為輸入的圖片，圖片大小為784K，Y為實際結果，總共有十個結果（數字0-9）
w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name="weights") b = tf.Variable(tf.zeros([1, 10]), name="bias")
w初始值為一個隨機的變數，標准差為0.01，b初始值為0。
logits = tf.matmul(X, w) + b entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y) loss = tf.reduce_sum(entropy)
TensorFlow里面已經有softmax的函數，只要把他叫出來就可以使用。
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(loss) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) n_batches = int(MNIST.train.num_examples/batch_size) for i in range(n_epochs): # train the model n_epochs times for _ in range(n_batches): X_batch, Y_batch = MNIST.train.next_batch(batch_size) sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch})
接着就是設定優化方式，這邊是使用梯度降下發，然后將參數初始化，接着就運行了，這邊要提一下，我們的訓練方式是每次從訓練數據里面抓取一個batch的數據，然后進行計算，這樣可以預防過度訓練，也比較可以進行事后的驗證，運行完后再用下面的代碼進行驗證
n_batches = int(MNIST.test.num_examples/batch_size) total_correct_preds = 0 for i in range(n_batches): X_batch, Y_batch = MNIST.test.next_batch(batch_size) _, loss_batch, logits_batch = sess.run([optimizer, loss, logits], feed_dict={X: X_batch, Y:Y_batch}) preds = tf.nn.softmax(logits_batch) correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y_batch, 1)) accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32)) total_correct_preds += sess.run(accuracy) print ("Accuracy {0}".format(total_correct_preds/MNIST.test.num_examples))
最后shell跑出來的結果是0.916，雖然看上去還算是不錯的結果，但其實准確率是很低的，因為他驗證的方式是判斷一個圖片是否為某個數字（單輸出），所以假如機器隨便猜也會有0.82左右的命中幾率（0.9*0.9+0.1*0.1），想要更准確的話目前想到有兩個方向，一個是提高訓練量和增加神經網絡的層數。
