使用TensorFlow訓練模型，大概分為以下幾個步驟：

1. 下載資料集，匯入mnist資料集
2. 定義變數並初始化，宣告用到的佔位符
3. 建立模型
4. 訓練模型，首先需要定義一個指標來評估這個模型的好壞。在本教程中使用交叉熵來表徵模型的效能好壞。
5. 使用一些優化演算法（如梯度下降法）來最小化目標函式（交叉熵）
6. 評估模型，判斷預測值和真實值之間的差值。得到預測的準確率

具體的註釋在程式中都能看到

程式如下：

import tensorflow as tf

# 匯入mnist資料集
import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# x不是一個特定的值，而是一個佔位符，在TensorFlow執行計算時輸入這個值，在sess.run()中更新此值
x = tf.placeholder("float", [None, 784])

# W和b是變數，並初始化為0，
# 因為我們要學習W和b的值，它們的初始值可以隨意設定
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 建立模型，利用softmax函式生成模型
y = tf.nn.softmax(tf.matmul(x, W) + b)


# 訓練模型
# 我們首先需要定義一個指標來評估這個模型是好的，在這裡使用交叉熵cross_entropy
# 為了計算交叉熵，我們首先定義一個新的佔位符y_用於輸入正確值
y_ = tf.placeholder("float", [None, 10]) # 同變數x，
cross_entropy = -tf.reduce_mean(y_*tf.log(y))

# 使用梯度下降演算法以0.01的學習速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化我們建立的所有變數
init = tf.initialize_all_variables()

# 在一個Session中啟動我們的模型
# 讓模型迴圈訓練1000次
# 該迴圈的每個步驟中，我們都會隨機抓取訓練資料中的100個批處理資料點
sess = tf.Session()
sess.run(init)
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})

# 評估模型
# tf.argmax能給出某個tensor物件在某一維上的其資料最大值所在的索引值
# 用tf.equal來檢測我們的預測是否和真實標籤匹配
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))