tensorflow学习笔记————分类MNIST数据集

在使用tensorflow分类MNIST数据集中，最容易遇到的问题是下载MNIST样本的问题。

一般是通过使用tensorflow内置的函数进行下载和加载，

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

但是我使用时遇到了“urllib.error.URLError: <urlopen error [Errno 99] Cannot assign requested address>”错误，查了一下也没什么好的解决方案，最后就自己去手动下载了。在python文件同目录下建立MNIST_data，进入目录后通过wget来下载

wget http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz

最后运行我们的程序

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#通过tensorflow的库来载入训练的样本
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每个批次的大小
batch_size = 100

#计算有多少批次
n_batch = mnist.train.num_examples // batch_size

#定义两个placeholder，x是图片样本，y是输出的结果
x = tf.placeholder(tf.float32, [None,784])
y = tf.placeholder(tf.float32, [None,10])

#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))

#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#结果存放在一个布尔类型列表中, tf.argmax返回一维张量中最大的值所在的位置，就是返回识别出来最可能的结果
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction,1))

#求准确率，tf.case()把bool转化为float
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x:batch_xs, y:batch_ys})
    
        acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})
        print("Iter " + str(epoch) + ", Testing Accuracy" + str(acc))