之前在softmax多分类中讲到多用交叉熵作为损失函数，这里顺便写个例子，tensorlflow练手。
# encoding:utf-8
import tensorflow as tf
import input_data### softmax 回归# 自动下载安装数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)# 图片 28 * 28 = 784
x=tf.placeholder('float',[None,784]) # 特征数 784
# 初始化参数
w=tf.Variable(tf.zeros([784,10])) # 10是输出维度，0-9数字的独热编码
b=tf.Variable(tf.zeros([10]))# 模型
y=tf.nn.softmax(tf.matmul(x,w)+b)### 训练模型
y_=tf.placeholder('float',[None,10]) # 10维# 损失函数 交叉熵
cross_entropy=-tf.reduce_sum(y_*tf.log(y)) # reduce_sum 计算张量的所有元素之和 所有图片的交叉熵综合# 优化算法 梯度下降
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 0.01 学习率 最小化 损失函数# 初始化变量
init=tf.initialize_all_variables()# 启动图 会话
sess=tf.Session()
sess.run(init) # 初始化变量# 迭代，训练参数
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100) # 训练集
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})# 模型评估 准确率
correct_predict = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 输出布尔值，即预测与真实是否一样
accuracy = tf.reduce_mean(tf.cast(correct_predict, 'float')) # 将布尔值转化成浮点数，然后求平均， 正确/总数
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) # 测试集 0.9194
