tensorflow入门MNIST回归模型

#下载测试数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST/", one_hot=True)

#定义占位符，一个784维向量
x = tf.placeholder("float", [None, 784])

#定义W是一个784维向量，带有10个分类值
#定义b是一个10维向量
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

#定义拟合关系tf.matmul(x,W)+b，x×W+b
y = tf.nn.softmax(tf.matmul(x,W)+b)

#定义_y作为占位符
y_= tf.placeholder("float", [None,10])

#计算交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#初始化变量

init = tf.initialize_all_variables()

#定义会话
sess = tf.Session()
sess.run(init)

#循环训练1000次模型
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#用tf.equal来做预测召回率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

#用tf.reduce_mean计算准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
打印结果
print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

0.9189