Newer

直接运行程序

我们先不用看概念，不必知道里面的原理，直接将程序运行起来，看看效果，感受一下手写字体的识别。

1. 训练数据的下载

地址 下载如图绿色框内的4个数据，请确保是源文件，不要修改后缀名称

在本地创建一个文件夹如MNIST_TEST（最好和代码同级目录）,将下载的4个文件放在其中。

2. 运行py代码

mnist_softmax.py源码下载
将此源码下载保存到刚才新建的MNIST_TEST 同级目录下。在命令行，直接运行命令

python mnist_softmax.py 

在ipyhon控制台会有如下类似log

runfile('C:/WorkspaceOther/mnist_softmax.py', wdir='C:/WorkspaceOther')
Extracting MNIST_TEST\train-images-idx3-ubyte.gz
Extracting MNIST_TEST\train-labels-idx1-ubyte.gz
Extracting MNIST_TEST\t10k-images-idx3-ubyte.gz
Extracting MNIST_TEST\t10k-labels-idx1-ubyte.gz
0.9192

使用ipython命令行，可能有如下错误，这是由ipython自身问题，可以忽略。

An exception has occurred, use %tb to see the full traceback.

SystemExit

C:\DevelopTools\Anaconda\envs\tensorflow\lib\site-packages\IPython\core\interactiveshell.py:2870: UserWarning: To exit: use 'exit', 'quit', or Ctrl-D.
  warn("To exit: use 'exit', 'quit', or Ctrl-D.", stacklevel=1)

解释代码及原理

直接根据就运行顺序开始走起，引包就不讲了

• 训练集文件地址

FLAGS = None
DEFAULT_PATH="MNIST_TEST"

由于源文件和训练集是同级目录，所以只需“MNIST_TEST”，如果不在，则这里填写训练集路径就可以了

• 读取参数并启动main

if __name__ == '__main__':
  parser = argparse.ArgumentParser() #就是对命令行的参数进行解析及添加
  parser.add_argument('--data_dir', type=str, default=DEFAULT_PATH,
                      help='Directory for storing input data')
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed) #启动main(_)函数

argparse.ArgumentParser更多知识参考

• 读取数据

  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

这才是真正的读取数据，tf已经封装了，其实FLAGS.data_dir的值为训练集的文件夹即"MNIST_TEST"，如果本地为空，系统会自动帮你下载，感兴趣可以看看源码。

至于数据集本身，是由一定像素的如28x28的手写数字图片，转换而成的特殊数据类型，至于怎么制作这样的图片，制作属于自己的数据集，这是个问题，再另外的章节再一起探讨。我有这样的计划，再每学一个实例的时候，先把基本的流程及核心原理弄懂，然后对应疑惑的问题进行整理，后面再深入的研究探讨。并且在章节的末尾会留下问题，如果你对某个问题感兴趣，可以提交出来，让大家学习参考。*

• 创建模型

  x = tf.placeholder(tf.float32, [None, 784])#None代表可以是任何长度
  W = tf.Variable(tf.zeros([784, 10]))
  b = tf.Variable(tf.zeros([10]))
  y = tf.matmul(x, W) + b #线性方程
  
  y_ = tf.placeholder(tf.float32, [None, 10])# 占位符

你可以理解为平面中的直线方程,只是这里是多维的。机器学习的目标就是找到这一个一组参数来描述我们的数字特征。
为什么这里是784？是因为我们的输入28x28=784的像素。
为什么是10维？是因为数字0-9总共10个。 x与W相乘会得到一个 与b一样的长度的一维向量。【None代表可以是任何长度】 至于这个方程代表什么含义，y代表的输出0-9,而y的右边代表输入经过神经网络的矩阵计算。
如何更深地理解此方程，请参考地址：
感知机和 sigmoid神经元
看完后你可能就会对这个方程有很深的认识。

• 错误的评估之交叉熵

  cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
  train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

y_是数据集中已经确定的数，y是评估模型，就是目标函数，是一个表达式，cross_entropy是交叉熵，用来评估错误率，这个值越小，代表错误率越低.