最近學習Tensorflow，特此筆記，學習資料為21個專案玩轉深度學習 基於TensorFlow的實踐詳解
Softmax迴歸是一個線性的多分類模型，它是從Logistic迴歸模型轉化而來的，不同的是Logistic迴歸模型是一個二分類模型，而Softmax迴歸模型是一個多分類模型

Softmax函式將模型對於各個類別的預測值轉化為概率，假設模型在三個類別上的預測值分別為（a, b, c），則運用Softmax函式之後的概率值分別為（e^a/(e^a+e^b+e^c), e^b/(e^a+e^b+e^c), e^c/(e^a+e^b+e^c)）

上程式碼：

#coding=utf-8
 

#匯入tensorflow
import tensorflow as tf
#匯入MNIST教學模組
from tensorflow.examples.tutorials.mnist import input_data
#讀入MNIST資料
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 建立x,x是一個佔位符（placeholder），代表待識別的圖片
x = tf.placeholder(tf.float32, [None,784])

# W是softmax模型的引數，將一個784的輸入轉為10維的輸出
W = tf.Variable
 
(tf.zeros([784, 10]))
# b是另一個引數，一般叫做偏置(bias)
b = tf.Variable(tf.zeros([10]))

#y表示模型的輸出
y = tf.nn.softmax(tf.matmul(x, W) + b)

#y_是實際的影象標籤，同樣以佔位符表示
# y_ = tf.placeholder(tf.float32, [None, 10])
y_ = tf.placeholder(tf.float32, [None,10])
#現在，我們得到了兩個重要的Tensor:y and y_
#y是模型的輸出，y_是影象是實際標籤，y_是獨熱表示的

# 根據y和y_構造交叉熵損失
 

cross_entropy = \
    tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y)))

#定義損失之後，就可以用梯度下降法對模型的引數(W and b)進行優化
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#建立一個session 只有在session中才能執行優化步驟train_step
sess = tf.InteractiveSession()
#執行之前必須要初始化所有變數，分配記憶體
tf.global_variables_initializer().run()

#進行1000步梯度下降
for _ in range(1000):
    # 在mnist.train中取100個數據
    # batch_xs是形狀為（100， 784）的影象資料，batch_ys是形如（100,10）的實際標籤
    # batch_xs, batch_ys對應著兩個佔位符x and y
    batch_xs, batch_ys = mnist.train.next_batch(100)
    # 在session中執行train_step，執行時要傳入佔位符的值
    sess.run(train_step, feed_dict={x:batch_xs, y_:batch_ys})

# 正確的預測結果
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 計算預測準確率，它們都是tensor
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 在Session中執行Tensor可以得到Tensor的值
# 這裡獲取最終模型的準確率
print(sess.run(accuracy, feed_dict={x:mnist.test.images, y_:mnist.test.labels }))

執行環境：Windows10 64bit, Python3.6.4 64bit, TensorFlow1.7.0 cpu version

解釋幾個函式：

tf.argmax(input, axis=None, name=None, dimension=None)
此函式是對矩陣按行或列計算最大值

引數
input：輸入Tensor
axis：0表示按列，1表示按行
name：名稱
dimension：和axis功能一樣，預設axis取值優先。新加的欄位
返回：Tensor 一般是行或列的最大值下標向量

tf.cast(x, dtype, name=None)
x: 輸入Tensor
dtype: 要轉化的型別
name: 名稱
返回：轉化成dtype型別的Tensor

tf.reduce_mean(input_tensor, axis=None, keepdims=None, name=None, reduction_indices=None, keep_dims=None)
功能：求均值
input_tensor：輸入Tensor
axis：0表示按列，1表示按行

tf.equal(x, y)
判斷兩個輸入Tensor x, y 是否相等，返回值為相同維度的布林值Tensor
關於TensorFlow的佔位符，變數以及會話，參考部落格Tensorflow入門—-佔位符、常量和Session