使用Tensorflow在mnist数据集上的 手写体识别

MNIST数据集的官网是Yann LeCun's website，在tensorflow中可将这四个文件直接下载放于一个目录中并加载，如下代码input_data.read_data_sets所示，如果指定目录中没有数据，那么tensorflow会自动去网络上进行下载。下面代码介绍了如何使用tensorflow操作MNIST数据集。

经过在pycharm 上运行，怎么都出问题。最后发现应该将下载的四个文件（不需要解压）放到直接放到Pycharm中建立的项目路径，运行一次即使出错也会发现创建项目路径的地方自动的创建了一个名为“NIST_data”数据集。都将四个放到这里就可以。再次运行，就oK！！！！

#获取数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)

import tensorflow as tf
#输入图像占位符
x=tf.placeholder(tf.float32,[None,784])
#权值和偏差
W=tf.variable(tf.zeros([784,10]))
b=tf.variable(tf.zeros([10]))
#使用softmax模型
y=tf.nn.softmax(tf.matmul(x,W)+b)

#代价函数占位符
y_=tf.placeholder(tf.float32,[None,10])

#交叉熵评估代价
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))

#使用梯度下降法优化算法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#Session
sess=tf.InteractiveSession()
#初始化变量
tf.global_variables_initializer().run()
#训练模型，训练1000次
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})
    
#计算正确率
corrent_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))

accuracy=tf.reduce_mean(tf.cast(corrent_prediction,tf.float32))

print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))