进行模型的构建

先是线性模型

import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

from mnist import model

data = read_data_sets('MNIST_data', one_hot=True)
with tf.variable_scope('regression'):
    x = tf.placeholder(tf.float32, [None, 784])
    y, variables = model.regression(x)

_y = tf.placeholder('float', [None, 10])
cross_entropy = -tf.reduce_sum(_y * tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(_y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

1.线性模型：

# Y = W * x + b

def regression(x):

    W = tf.Variable(tf.zeros([784, 10], name='W'))      # 784 * 10的二维数组

    b = tf.Variable(tf.zeros([10]), name='b')   # 一维数组里面放10个值

    y = tf.nn.softmax(tf.matmul(x, W) + b)      # softmax做简单的线性运算

return y, [W, b]

2. 定义完模型之后引入模型和训练：

# create model

with tf.variable_scope('regression'):   # 命名

    x = tf.placeholder(tf.float32, [None, 784])     # x:待用户输入，用一个占位符，placeholder的第一个参数是类型，第二个是张量，其中的784是和model中对应

    y, variables = model.regression(x)

# train

y_ = tf.placeholder('float', [None, 10])

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))      # 训练的交叉熵

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)    # 训练步骤，GradientDescentOptimizer(0.01)：一个优化器，设置步长为0.01

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))        # 预测

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))      # 准确率，tf.cast(correct_prediction, tf.float32)：转换格式