之前學習的第一個深度學習的程式就是mnist手寫字型的識別，那個時候對於很多概念不是很理解，現在回過頭再看當時的程式碼，理解了很多，現將加了註釋的程式碼貼上，與大家分享。（本人還是在學習Tensorflow的初始階段，如果有什麼地方理解有誤，還請大家不吝指出。）

from tensorflow.examples.tutorials.mnist import input_data

# 下載mnist資料集至當前目錄下的MNIST_data資料夾，並讀取資料。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 輸出訓練集，測試集，驗證集圖片的shape和標籤的shape。
 

print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)

import tensorflow as tf

# 預設會話。
sess = tf.InteractiveSession()

# 定義一個placeholder，用於儲存輸入的圖片的資訊。
# 由於圖片中的數值是0~1之間的浮點數，所以x的資料型別也應是tf.float32。
 

# 第二個引數表示x的維度，其中None表示不限制輸入的數量，之後的引數便是輸入的資料的維度，
# 這裡的784表示輸入的是一個長度為784的一維向量。
x = tf.placeholder(tf.float32, [None, 784])

# 定義權重變數，該變數是一個784x10的矩陣，這裡將初始權重全部賦值為0。
W = tf.Variable(tf.zeros([784, 10]))

# 定義偏置值變數，該變數是一個由10個元素組成的向量，同樣這裡的偏置值變數的初始值也全部被賦值為0。
b = tf.Variable(tf.zeros([10]))

# 定義softmax層，輸入是一個10個元素組成的向量。
 

# tf.matmul是用於矩陣相乘的函式。
y = tf.nn.softmax(tf.matmul(x, W)+b)

# 再次定義一個placeholder，用於儲存真實的圖片標籤。
y_ = tf.placeholder(tf.float32, [None, 10])

# 定義交叉熵，這是本程式需要使用的loss函式，我們的目的是使得這個loss函式儘可能的小。
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# 我們使用梯度下降的方法來優化引數，這裡把學習率設定為0.5，我們需要優化的函式是cross_entropy，即我們的loss函式。
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 初始化所有的全域性變數。
tf.global_variables_initializer().run()

# 從這裡開始訓練我們建立好的模型。
# 從上面的公式中可以看出，我們建立的是一個全連線的模型，本質上是對矩陣乘法的優化。
# 我們訓練1000次。
for i in range(1000):
    # 使用mnist自帶的方法隨機產生100個數據。
    batch_xs, batch_ys = mnist.train.next_batch(100)

    # 將這100個數據分別feed給上面我們定義的兩個placeholder，由於訓練模型。
    train_step.run({x:batch_xs,y_:batch_ys})

# 建立評估模型正確預測的Graph。
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

# 定義準確率的計算公式。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 將測試集資料傳遞給兩個placeholder，然後執行上述定義的準確率的公式，最後輸出準確率的值。
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

執行結果如下：（因為使用了梯度下降的方法，因此每一次執行的結果或有不同，一般結果在0.92左右）

Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
(55000, 784) (55000, 10)
(10000, 784) (10000, 10)
(5000, 784) (5000, 10)
0.9184