mnist資料集相當於深度學習中的「hello world」,用於開始做測試用的簡單的視覺資料集，由幾萬張28*28的手寫數字組成，只包含灰度資訊，分為十類0~9。
1）選擇softmax regression模型
2）定義算是函式，這裡選擇交叉熵
3）選擇優化演算法梯度下降法
4）迭代進行資料訓練
5）進行驗證和準確率評測
#載入資料
from tensorflow.examples
.tutorials
.mnist import input_data
import tensorflow as tf
#訓練集5.5w，測試機1w，驗證集0.5w，每個樣本有乙個label
mnist=input_data.read_data_sets("mnist_data/",one_hot=true)
#label是乙個10維的向量，[1,0,0,0,0,0,0,0,0,0]，其代表數字為0
#placeholder資料輸入的地方，第乙個引數資料型別，第二個引數是資料尺寸大小
sess=tf.interactivesession()
x=tf.placeholder(tf.float32,[none,784])
#定義權重和截距b
w=tf.variable(tf.zeros([784,10]))
b=tf.variable(tf.zeros([10]))
#softmax regression演算法公式
y=tf.nn
.softmax(tf.matmul(x,w)+b)
#定義乙個損失函式，多分類問題多用cross_entropy
y_=tf.placeholder(tf.float32,[none,10])
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
#定義優化演算法和訓練速率,用梯度下降法和0.5的速率
train_step=tf.train
.gradientdescentoptimizer(0.5).minimize(cross_entropy)
#定義全域性引數初始化器
tf.global_variables_initializer().run()
#進行訓練
for i in range(1000):
batch_xs,batch_ys=mnist.train
.next_batch(100)
train_step.run()
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print(accuracy.eval())
參考：
《tensorflow實戰》
簡單的神經網路識別手寫數字
為了測試，我就先在紙上手寫了一些 工整 的數字，並用 特殊手段 將進行了處理，得到了幾個用於測試手寫數字識別率的 標準的大小為28 28，確保輸入層的節點數為784，好吧，我承認是懶所以只寫了五個 開始測試資料 負責一維陣列的引數 k 0 製作乙個一維陣列負責儲存二維陣列扁平化以後的資料 input...
使用神經網路識別手寫數字
神經網路和深度學習為影象識別 語音識別 自然語言處理等問題提供了目前最好的解決方案。本書主要會介紹神經網路和深度學習背後關鍵的概念。更多關於本書的細節，請參考這裡。或者您可以直接從第一章開始學習。本專案是neural networks and deep learning的中文翻譯，原文作者 mich...
四 神經網路（識別手寫字）
結合 python神經網路程式設計 這本書實現 個人認為最近幾年出的實戰系列書，給出的 和思路更加貼切現在的技術，吳恩達課程講解很棒但是很多資料和 或者思想比較老化，不便於吸收理解。乙個三層的簡單神經網路實現 import numpy as np import scipy.special impor...