TensorFlow入门教程集合
tensorboard教程：2017 TensorFlow 开发者峰会 TensorBoard轻松实践 文字教程
这里下载MNIST数据集
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_download.html
| 文件 | 内容 |
|---|---|
train-images-idx3-ubyte.gz |
训练集图片 - 55000 张 训练图片, 5000 张 验证图片 |
train-labels-idx1-ubyte.gz |
训练集图片对应的数字标签 |
t10k-images-idx3-ubyte.gz |
测试集图片 - 10000 张 图片 |
t10k-labels-idx1-ubyte.gz |
测试集图片对应的数字标签 |
参考这里的源码 http://blog.csdn.net/toormi/article/details/53766220 http://blog.csdn.net/toormi/article/details/53789562
我自己实现的源码，已成功
# -*- coding: utf-8 -*- import tensorflow as tf #导入input_data用于自动下载和安装MNIST数据集 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #放置占位符，用于在计算时接收输入值 x = tf.placeholder("float", [None, 784]) #创建两个变量，分别用来存放权重值W和偏置值b W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) #使用Tensorflow提供的回归模型softmax，y代表输出 y = tf.nn.softmax(tf.matmul(x, W) + b) #为了进行训练，需要把正确值一并传入网络 y_ = tf.placeholder("float", [None,10]) #计算交叉墒 cross_entropy = -tf.reduce_sum(y_ * tf.log(y)) #使用梯度下降算法以0.01的学习率最小化交叉墒 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) #初始化之前创建的变量的操作 init = tf.global_variables_initializer() #启动初始化 sess = tf.Session() sess.run(init) #开始训练模型，循环1000次，每次都会随机抓取训练数据中的100条数据，然后作为参数替换之前的占位符来运行train_step 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}) #评估模型，tf.argmax能给出某个tensor对象在某一维上数据最大值的索引。因为标签是由0,1组成了one-hot vector，返回的索引就是数值为1的位置 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) #计算正确预测项的比例，因为tf.equal返回的是布尔值，使用tf.cast可以把布尔值转换成浮点数，tf.reduce_mean是求平均值 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #在session中启动accuracy，输入是MNIST中的测试集 print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
目录结构：
MNIST_data下面是上面下载下来的几个包
