首先介紹本文使用的資料集MNIST手寫數字資料集：

    MNIST資料集的官網是http://yann.lecun.com/exdb/mnist/

是由Google實驗室的Corinna Cortes和紐約大學柯朗研究所的YannLeCun建有一個手寫數字資料庫，訓練庫有60,000張手寫數字影象，測試庫有10,000張。

   可以手動在官網下載，也可以在python中進行下載

   在這裡，我們提供了一份python原始碼用於自動下載和安裝這個資料集。你可以下載這份程式碼，然後用下面的程式碼匯入到你的專案裡面，也可以直接複製貼上到你的程式碼檔案裡面。

From tensorflow.examples.tutorials.mnist importinput_data mnist =input_data.read_data_sets("MNIST_data/", one_hot=True)

   MNIST資料庫會直接下載在專案的根目錄下

然後進行機器學習，我將機器學習分為以下幾個步驟：

Step1:匯入資料

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

  匯入的MNIST資料集，如果本地中包含則直接匯入，如果沒有則會通過官網進行下載，資料集中的資料可以進行編碼打印出來，具體的實現步驟可以在網上尋找具體的程式碼。  

Step2:設定引數

x = tf.placeholder(tf.float32, [None,784]) w = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, w)+b) y_ = tf.placeholder(tf.float32, [None, 10])

tf.placeholder代表佔位符，具體指輸入的影象和輸入的標籤

w代表權值矩陣

b代表偏執矩陣

softmax我理解為是啟用函式

y代表預測的輸出

Step3:設定損失函式

cross_entropy =tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y))) train_sept = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

根據y，y_通過交叉熵構建損失函式，並用學習率0.01的梯度下降演算法使得損失函式值最小

Step4:建立session，初始化所有變數

sess = tf.InteractiveSession() tf.global_variables_initializer().run()

Step5:優化引數

for i in range(1000):     batch_xs, batch_ys =mnist.train.next_batch(100)     sess.run(train_sept, feed_dict={x:batch_xs, y_: batch_ys})

優化權值矩陣和偏置，也就是講的訓練過程

Step6:檢測測試集

corrent_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(corrent_prediction, tf.float32)) print/

(sess.run(accuracy,feed_dict{x:mnist.test.images,y_:mnist.test.labels}))

在測試集中檢測準確率

最終結果：

測試集中準確率0.9046：