基础
在参考①中我们详细介绍了没有隐含层的神经网络结构，该神经网络只有输入层和输出层，并且输入层和输出层是通过全连接方式进行连接的。具体结构如下：
我们用此网络结构基于MNIST数据集（参考②）进行训练，在MNIST数据集中每张图像的分辨率为28*28，即784维，对应于上图中的x; 而输出为数字类别，即0~9，因此上图中的y的维度维10。因此权重w的维度为[784, 10]，wi,j代表第j维的特征对应的第i类的权重值，主要是为了矩阵相乘时计算的方便，具体见下面代码。
训练过程
1、训练过程中反向传播优化器选择了梯度下降算法，结合代码中使用batch训练，因此梯度下降算法是mini-batch，也就使用batch_size（代码中为100）的批量梯度下降算法。
2、损失函数选择使用了softmax的交叉熵。
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf # 加载数据 mnist = input_data.read_data_sets('/home/workspace/python/tf/data/mnist', one_hot=True) # 创建模型 x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.matmul(x, W) + b # 正确的样本标签 y_ = tf.placeholder(tf.float32, [None, 10]) # 损失函数选择softmax后的交叉熵，结果作为y的输出 cross_entropy = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) sess = tf.InteractiveSession() tf.global_variables_initializer().run() # 训练过程 for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) #使用测试集评估准确率 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print (sess.run(accuracy, feed_dict = {x: mnist.test.images, y_: mnist.test.labels}))
输出：92%左右。
软件版本
TensorFlow 1.0.1 + Python 2.7.12
参考