将这里的代码在项目中执行下载并安装数据集。
执行下面代码，训练、并评估模型：
1 # _*_coding:utf-8_*_ 2 import inputdata 3 mnist = inputdata.read_data_sets('MNIST_data', one_hot=True) 4 5 import tensorflow as tf 6 7 x = tf.placeholder("float",[None, 784]) 8 W = tf.Variable(tf.zeros([784,10])) 9 b = tf.Variable(tf.zeros([10])) 10 11 y = tf.nn.softmax(tf.matmul(x,W) + b) # 预测值 12 y_ = tf.placeholder("float", [None, 10]) # 真实值 13 14 # 训练模型 15 cross_entropy = -tf.reduce_sum(y_*tf.log(y)) # 交叉熵,交叉熵是用来衡量我们的预测用于描述真相 16 # 的低效性。注意这里是对所有记录所有假设的sum操作 17 18 train_step= tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 调用梯度下降，TensorFlow会自动使用反向传播算法 19 # 并且通过minimize来指定要最小化的代价方程 20 21 # 初始化变量 22 init = tf.initialize_all_variables() 23 24 # 运行 25 sess = tf.Session() 26 sess.run(init) 27 28 for i in range(1000): 29 batch_xs, batch_ys = mnist.train.next_batch(100) # 随机训练 (stochastic training), 减小计算开销 30 sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys}) 31 32 # 评估模型 33 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # argmax返回的是沿着某个轴的最大值的索引值 34 35 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) # cast把布尔值转为浮点值 36 37 print sess.run(accuracy, feed_dict={x: mnist.test.images, y_:mnist.test.labels}) 38 39 sess.close()
运行结果：（由于是随机训练每次结果可能一样）
0.9131