今天記錄下 tensorflow 基於 mnist 相簿集完成softmax迴歸；mnist庫是手寫阿拉伯數字圖片集，如下圖所示

下面是下載並讀取資料集，資料集存放在linux 根目錄 下的 /data 下 mnist 資料夾下

from tensorflow.examples.tutorials import mnist
mnist_data = mnist.input_data.read_data_sets('/data/mnist', one_hot=True)

下面是建立 線性模型 y = w*x + b，w為權值，b為偏值；注意這裡的w 、b、x、y都是多維陣列，可以看做矩陣
y_ 為真實值 y為預測值

# x is feature value
x = tf.placeholder(tf.float32, [None, 784])

 # w is weight for feature
w = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, w) + b          #  y = x*w + b
 # y_ is true value 
y_ = tf.placeholder(tf.float32, [None, 10])

下面是建立softmax 交叉熵 和 對應的損失函式及選擇最優值的優化器，裡面分別使用了兩種方法，都可以編譯試一下，看一下最終的識別率

#損失均值的方法
#cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
#損失和的方法
cross_entropy = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
learn_rate = 0.01
#梯度下降優化器
#train_step = tf.train.GradientDescentOptimizer(learn_rate).minimize(cross_entropy)
 

#自適應優化器
train_step = tf.train.AdamOptimizer(learn_rate).minimize(cross_entropy)

學習率就是尋找最優值時調整的值的大小，就是梯度的大小，minimize 就是使損失函式達到最小值

全部程式碼如下：

#!/user/bin/env python
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt       #用於顯示
from IPython.display import display, HTML

from tensorflow.examples.tutorials import mnist      #下載mnist資料集
 #讀取mnist資料集
mnist_data = mnist.input_data.read_data_sets('/data/mnist', one_hot=True)

 # x is feature value
x = tf.placeholder(tf.float32, [None, 784])

 # w is weight for feature
w = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, w) + b

 # y_ is true value 
y_ = tf.placeholder(tf.float32, [None, 10])

 #cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
cross_entropy = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))

learn_rate = 0.01
#梯度下降優化器
 #train_step = tf.train.GradientDescentOptimizer(learn_rate).minimize(cross_entropy)
 #自適應優化器，學習率為 0.01
train_step = tf.train.AdamOptimizer(learn_rate).minimize(cross_entropy)

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

 # mnist_data.train training data

for _ in range(10000):
    #select 100 data as training set
    batch_xs, batch_ys = mnist_data.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#預測與真實值比較，得出準確率
correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#打印出準確率
print(sess.run(accuracy, feed_dict={x: mnist_data.test.images,y_: mnist_data.test.labels}))

#下面是將識別錯誤的列印並顯示出來
for i in range(0, len(mnist_data.test.images)):
  result = sess.run(correct_prediction, feed_dict={x: np.array([mnist_data.test.images[i]]), y_: np.array([mnist_data.test.labels[i]])})
  if not result:
    print('the pre value:',sess.run(y, feed_dict={x: np.array([mnist_data.test.images[i]]), y_: np.array([mnist_data.test.labels[i]])}))
    print('the true value:',sess.run(y_,feed_dict={x: np.array([mnist_data.test.images[i]]), y_: np.array([mnist_data.test.labels[i]])}))
    one_pic_arr = np.reshape(mnist_data.test.images[i], (28, 28))
    pic_matrix = np.matrix(one_pic_arr, dtype="float")
    plt.imshow(pic_matrix)
    plt.show()
    break

參考文章：
https://www.cnblogs.com/lizheng114/p/7439556.html