1.虽然神经元模型简单，但是花在数据处理和训练模型上的时间也不少。在多分类时重用这部分代码，只要修改模型即可。

2.修改模型（多个神经元（10个）多分类实现逻辑斯蒂回归）：（单层神经网络：10个神经元）

（做修改的地方）

 for filename in filenames:

            data, labels = load_data(filename)

            # 不需要在做filter

            all_data.append(data)

            all_labels.append(labels)

# [None], y:label,[0,5,6,3,...]

y = tf.placeholder(tf.int64, [None])     

# (3072, 10)

w = tf.get_variable('w', [x.get_shape()[-1], 10],   # 多分类

                   initializer=tf.random_normal_initializer(0, 1))   #initializer表示初始化，这里使用正态分布,均值为0，方差为1

# (10, )

b = tf.get_variable('b', [10],

                   initializer=tf.constant_initializer(0.0))   # b使用常量初始化

# get_variable表示获取变量，如果已经定义好了就使用，如果没有就定义

# [None, 3072] * [3072, 10] = [None, 10]

y_ = tf.matmul(x, w) + b

# mean square loss

'''

# 因为是多分类，使用softmax

# course:1+e^x

# api:e^x/sum(e^x)

# 归一化

# p_y:每个样本都是一个分布，10个值加起来等于1，[[0.01,0.9,...0.03], []...]

p_y = tf.nn.softmax(y_)

# 多分类的loss，可以使用one-hot编码把y也变成一个分布

# 5 -> [0,0,0,0,0,1,0,0,0,0]

y_one_hot = tf.one_hot(y, 10, dtype=tf.float32)

loss = tf.reduce_mean(tf.square(y_one_hot - p_y))   #  类型不一致需要变换

'''

loss = tf.losses.sparse_softmax_cross_entropy(labels=y, logits=y_)

# y_ -> softmax

# y -> one_hot

# loss = ylogy_

# 得到的是index，是一个int值

predict = tf.argmax(y_, 1)

# [1, 0, 1, 1, 0, 1,...]

correct_prediction = tf.equal(predict, y)   # bool

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float64))

3.API不会的时候要学会查文档。

4.jupyter notebook的一些用法：

章节主要内容