转载请注明出处。
一、简介：
1、属于图像识别，作为tensorflow的入门例程，利用全连接神经网络训练mnist集。本示例旨在引导我们编写一个入门程序。
2、模型
本例使用一个简单的神经网络，神经元结构为784x10。利用梯度下降法进行学习。
3、程序流程
本例的程序流图基本即是tensorflow的工作顺序，以后无论程序多复杂，大体上还是这样的顺序，只是多增加些功能罢了。
程序流图.png
二、示例代码
源：/tensorflow/tensorflow/examples/tutorials/mnist/mnist_softmax.py
#1.导入python必须的模块，包括了input_data.py用于下载训练测试集等
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
FLAGS = None
#2.主函数
def main(_):
# 2.1.读取训练测试数据
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
# 2.2.创建模型
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b
y_ = tf.placeholder(tf.float32, [None, 10])
# 损失函数
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
#训练方法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#2.2.开启会话
#初始化
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# 训练
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})
# 测试
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images,
y_: mnist.test.labels}))
#3.py文件入口
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
三、API接口
3.1 tf.placeholder(dtype,shape=None,name=None)
说明：1、占位符，一般用于接收输入数据。官方说能减少内存使用，提高速度，未看源码，应是优化内存，或调用线程实现。
2、使用数据时必需在'Session.run()','Tensor.eval()','Operation.run()'中使用'feed_dict'。
例：x=tf.placeholder(tf.float32,shape=(1024,1024))
x为一个1024×1024，32位浮点类型的空间
x = tf.placeholder(tf.float32, [None, 784])
x为一个0维度不知道多少，1维度为784的，32位浮点类型的空间。
3.2 tf.reduce_mean(input_tensor,axis=None,Keep_dims=False,name=None,reduction_indices=None)
说明：1、计算一个tensor在相应维度下元素的平均值。
2、如果'axis'并未明确，则计算该tensor所有维度下元素的平均值，那么只有一个元素返回。
3、如果'keep_dims'为True，则保留维度信息，丢失的维度变为1。
4、例程中并未指定axis，说明是求所有样本打损失和。
例：x=tf.Variable([[1.,2.,4.,3.,1.],[1.,5.,2.,3.,1.],[8.,1.,1.,2.,3.]])
tf.reduce_mean(x) ==> 2.53 shape=()
tf.reduce_mean(x,0) ==> [3.33,2.66,2.33,2.66,1.66] shape=(5,)
tf.reduce_mean(x,1) ==> [2.20,2.40,3. ] shape=(3,)
tf.reduce_mean(x,keep_dims=Ture) ==> [2.53] shape=(1,1)
tf.reduce_mean(x,0,keep_dims=Ture) ==> [[3.33,2.66,2.33,2.66,1.66]] shape=(1,5)
tf.reduce_mean(x,1,keep_dims=Ture) ==> [[2.20],[2.40],[3.] ] shape=(3,1)
3.3 tf.equal(x,y,name=None)
说明：1、x,y必需是tensor并且类型维度一致，该函数判断x,y对应元素是否相等，如果是返回True，否则返回False。
例：x=tf.Varialbe([1,2,3,4,5])
y=tf.Varialbe([1,3,4,4,6])
tf.equal(x,y) ==> [True, False,False,True,False]
3.4 tf.argmax(input,axis=None,name=None,dimension=None)
说明：1、返回对应axis在大值所在的索引。
2、若input为向量，axis=0。
3、返回类型为tensor， int64。
例：x=tf.Variable([[1.,2.,4.,3.,1.],[1.,5.,2.,3.,1.],[8.,1.,1.,2.,3.]])
tf.argmax(x,0)=[2,1,0,0,2]
tf.argmax(x,1)=[2,1,0]
3.5 tf.cast(x,dtype,name=None)
说明：1、转换x类型到dtype类型。
例：a=tf.Variable([1.8,2.2])
tf.cast(a, tf.int32) ==> [1, 2] # dtype=tf.int32
3.6 tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,dim=-1,name=None)
说明：1、计算'logits'和'labels'之间的softmax交叉熵，返回与'logits'的'batch_size'长的一维张量。
2、'_sentinel'是内部变量，不要使用。
3、'dim'默认为-1，即最末的尺度。
4、等价于'-tf.reduce_sum(y_*tf.log(tf.nn.softmax(y)))'，但这可能导致计算的不稳定，推荐使用3.6集成的函数。
