tensorflow入門編程--教你寫helloWord和第一個datamnsit訓練集

二話不說先上代碼，讓你跑出來看看是什麼效果再說，
但是以下是基於您的tensorflow環境已經具備的情況下。

運行一個線性差分迴歸函數算法。當成你的第一個helloworld。
下面的代碼可以直接運行

---

第一個訓練程序：線性迴歸 helloworld

代碼介紹：
定義了一個已知的線性函數：y =ax+b, a=0.1 b=0.3
現在，隨機取X值，隨機區間爲 -1,1； 計算得到Y的值與精準值取差分，不斷迭代模擬，達到一定的精準度。所謂步數，就是迭代的次數。

這就是訓練以及訓練步數的基本概念。下面就是代碼實現可以跑出來看看情況。

import tensorflow as tf
import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# Before starting, initialize the variables.  We will 'run' this first.
init = tf.global_variables_initializer()

# Launch the graph.
sess = tf.Session()
sess.run(init)

# Fit the line.
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

---

datamnsit 數據集的使用

可以耐心看看代碼，其實很簡單，不要想的多複雜。只不過是調用了tensorflow庫

# -*- coding: utf-8 -*-

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 下載MINIST數據集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)


# None表示輸入任意數量的MNIST圖像，每一張圖展平成784維的向量
# placeholder是佔位符，在訓練時指定
x = tf.placeholder(tf.float32, [None, 784])

# 初始化W，b矩陣
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# tf.matmul(​​X，W)表示x乘以W
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 爲了計算交叉熵，我們首先需要添加一個新的佔位符用於輸入正確值
y_ = tf.placeholder("float", [None, 10])

# 交叉熵損失函數
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

# 模型的訓練，不斷的降低成本函數
# 要求TensorFlow用梯度下降算法（gradient descent algorithm）以0.01的學習速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 在運行計算之前，需要添加一個操作來初始化我們創建的變量
init = tf.global_variables_initializer()


# 在Session裏面啓動我模型，並且初始化變量
sess = tf.Session()
sess.run(init)

# 開始訓練模型,循環訓練1000次
for i in range(50):
    # 隨機抓取訓練數據中的100個批處理數據點
    batch_xs, batch_ys = mnist.train.next_batch(100)
    # 然後我們用這些數據點作爲參數替換之前的佔位符來運行train_step
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})


# 檢驗真實標籤與預測標籤是否一致
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

# 計算精確度，將true和false轉化成相應的浮點數，求和取平均
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# 計算所學習到的模型在測試數據集上面的正確率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))