import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#下载MINIST数据集
mnist = input_data.read_data_sets(‘MNIST_data’, one_hot=True)
#表示输入任意数量的MNIST图像，每一张图展平成784维的向量
#placeholder是占位符，在训练时指定
x = tf.placeholder(tf.float32, [None, 784])
#初始化W，b矩阵
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)
#为了计算交叉熵，我们首先需要添加一个新的占位符用于输入正确值
y_ = tf.placeholder(“float”, [None,10])
#交叉熵损失函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#模型的训练，不断的降低成本函数
#要求TensorFlow用梯度下降算法（gradient descent algorithm）以0.01的学习速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#在运行计算之前，需要添加一个操作来初始化我们创建的变量
init = tf.initialize_all_variables()
#在Session里面启动我模型，并且初始化变量
sess = tf.Session()
sess.run(init)
#开始训练模型,循环训练1000次
for i in range(50):
#随机抓取训练数据中的100个批处理数据点
batch_xs, batch_ys = mnist.train.next_batch(100)
#然后我们用这些数据点作为参数替换之前的占位符来运行train_step
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#检验真实标签与预测标签是否一致
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#计算精确度，将true和false转化成相应的浮点数，求和取平均
accuracy = tf.reduce_mean(tf.cast(correct_prediction, “float”))
#计算所学习到的模型在测试数据集上面的正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
