一、mnist手寫識別代碼運行過程
1 下載數據庫
在http://yann.lecun.com/exdb/mnist/下載上面提到的4個gz文件，放到本地目錄如 /tmp/mnist
2 下載input_data.py，放在/home/tmp/test目錄下
https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/input_data.py
3 在/home/tmp/test目錄下創建文件test_tensorflow_mnist.py，內容如下：
!/usr/bin/env python
import input_data
import tensorflow as tf
mnist = input_data.read_data_sets(“/tmp/mnist”, one_hot=True)
x = tf.placeholder(“float”, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder(“float”, [None,10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, “float”))
print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
4 運行。大概之需要幾秒鐘時間，輸出結果是91%左右。
二、數據集
1、數據
60000行的訓練數據集（mnist.train）和10000行的測試數據集（mnist.test）。這樣的切分很重要，在機器學習模型設計時必須有一個單獨的測試數據集不用於訓練而是用來評估這個模型的性能，從而更加容易把設計的模型推廣到其他數據集上（泛化）。
2、輸入X
因此，在MNIST訓練數據集中，mnist.train.images 是一個形狀爲 [60000, 784] 的張量，第一個維度數字用來索引圖片，第二個維度數字用來索引每張圖片中的像素點。在此張量裏的每一個元素，都表示某張圖片裏的某個像素的強度值，值介於0和1之間。
3、輸出y
相對應的MNIST數據集的標籤是介於0到9的數字，用來描述給定圖片裏表示的數字。爲了用於這個教程，我們使標籤數據是”one-hot vectors”。 一個one-hot向量除了某一位的數字是1以外其餘各維度數字都是0。所以在此教程中，數字n將表示成一個只有在第n維度（從0開始）數字爲1的10維向量。比如，標籤0將表示成([1,0,0,0,0,0,0,0,0,0,0])。因此， mnist.train.labels 是一個 [60000, 10] 的數字矩陣。
三、思路方法
1、實現迴歸模型
x = tf.placeholder(tf.float32,[None,784])
x不是一個特定的值，而是一個佔位符placeholder，我們在TensorFlow運行計算時輸入這個值。我們希望能夠輸入任意數量的MNIST圖像，每一張圖展平成784維的向量。我們用2維的浮點數張量來表示這些圖，這個張量的形狀是[None，784 ]。（這裏的None表示此張量的第一個維度可以是任何長度的。）
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
實現 y=W*x+b
2、訓練模型
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
一個非常常見的，非常漂亮的成本函數是“交叉熵”（cross-entropy）。交叉熵產生於信息論裏面的信息壓縮編碼技術，但是它後來演變成爲從博弈論到機器學習等其他領域裏的重要技術手段。
首先，用 tf.log 計算 y 的每個元素的對數。接下來，我們把 y_ 的每一個元素和 tf.log(y) 的對應元素相乘。最後，用 tf.reduce_sum 計算張量的所有元素的總和。（注意，這裏的交叉熵不僅僅用來衡量單一的一對預測和真實值，而是所有100幅圖片的交叉熵的總和。對於100個數據點的預測表現比單一數據點的表現能更好地描述我們的模型的性能。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
在這裏，我們要求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。梯度下降算法（gradient descent algorithm）是一個簡單的學習過程，TensorFlow只需將每個變量一點點地往使成本不斷降低的方向移動。當然TensorFlow也提供了其他許多優化算法：只要簡單地調整一行代碼就可以使用其他的算法。
TensorFlow在這裏實際上所做的是，它會在後臺給描述你的計算的那張圖裏面增加一系列新的計算操作單元用於實現反向傳播算法和梯度下降算法。然後，它返回給你的只是一個單一的操作，當運行這個操作時，它用梯度下降算法訓練你的模型，微調你的變量，不斷減少成本。
sess = tf.Session()
sess.run(init)
初始化所有參數。
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
循環1000次。該循環的每個步驟中，我們都會隨機抓取訓練數據中的100個批處理數據點，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。
使用一小部分的隨機數據來進行訓練被稱爲隨機訓練（stochastic training）- 在這裏更確切的說是隨機梯度下降訓練。在理想情況下，我們希望用我們所有的數據來進行每一步的訓練，因爲這能給我們更好的訓練結果，但顯然這需要很大的計算開銷。所以，每一次訓練我們可以使用不同的數據子集，這樣做既可以減少計算開銷，又可以最大化地學習到數據集的總體特性。
3、評估我們的模型
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
這行代碼會給我們一組布爾值。爲了確定正確預測項的比例，我們可以把布爾值轉換成浮點數，然後取平均值。例如，[True, False, True, True] 會變成 [1,0,1,1] ，取平均值後得到 0.75.
accuracy = tf.reduce_mean(tf.cast(correct_prediction,”float”))
最後，我們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})
輸出這個最終結果值應該大約是91%。