MNIST是一個非常有名的手寫體數字識別資料集，TensorFlow對MNIST資料集做了封裝，可以直接呼叫。MNIST資料集包含了60000張圖片作為訓練資料，10000張圖片作為測試資料，每一張圖片都代表了0-9中的一個數字，圖片大小都是28*28。雖然這個資料集只提供了訓練和測試資料，但是為了驗證訓練網路的效果，一般從訓練資料中劃分出一部分資料作為驗證資料，測試神經網路模型在不同引數下的效果。TensorFlow提供了一個類來處理MNIST資料。程式碼如下：

from tensorflow.examples.tutorials.mnist import input_data

#載入MNIST資料集，如果指定地址下沒有下載好的資料，那麼TensorFlow會自動在網站上下載資料
 

mnist = input_data.read_data_sets("/tensorflow_google")

#列印訓練資料大小
print("Training data size:", mnist.train.num_examples)

#列印驗證集大小
print("Validating data size:", mnist.validation.num_examples)

#列印測試集大小
print("Testing data size:", mnist.test.num_examples)

#列印訓練樣例
print("Example training data", mnist.train
 
.images[0])

#列印訓練樣例的標籤
print("Example training data label:", mnist.train.labels[0])

>>Training data size: 55000
Validating data size: 5000
Testing data size: 10000
Example training data [ 0.         ... 0.        ]
Example training data label: 7

處理後的每一張圖片是一個長度為784(28*28)的一維陣列，陣列中的資料為圖片的畫素，畫素元素取值範圍為0-1，代表了顏色的深淺，其中0為白色，1為黑色。為了可以使用隨機梯度下降，input_data.read_data_sets生成的類還提供了mnist.train.next_batch，可以從素有的訓練資料中讀取一小部分作為一個訓練batch，例如：

batch_size = 200
xs, ys = mnist.train.next_batch(batch_size) #xs是資料，ys是對應的標籤
print("X shape", xs.shape)
print("Y shape", ys.shape)

>>X shape (200, 784)  #X是200*784的陣列
Y shape (200,)  #Y是200維的一維陣列