用tensorflow 做mnist数字识别（基础向）

简述

二次代价函数是最容易理解的cost函数，从线性/非线性拟合课程中过来的同学会很熟悉了，它还可以以用来做多元的cost，只要把它理解为递归式的单个cost；

详解代码实在是没有精力，请见谅；

代码

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
data = input_data.read_data_sets('./',one_hot=True)
import matplotlib.pyplot as plt

x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])

w = tf.Variable(tf.random_normal([784,10]))
b = tf.Variable(tf.random_normal([10,]))
y = tf.nn.softmax(tf.matmul(x,w) + b)
loss = tf.reduce_mean(tf.square(y-y_))
train_stap = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
correct_predict = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_predict,tf.float32))
accuracies = []

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for times in range(21):
        for _ in range(10000):
            X,Y = data.train.next_batch(100)
            feed_dict={x:X,y_:Y}
            sess.run(train_stap,feed_dict=feed_dict)
            accuracies.append(sess.run(accuracy,feed_dict=feed_dict))
        print('range %s success!'%times)

plt.plot(accuracies)
plt.show()

图例

识别率在缓慢提升：

accuracy

改进

把 cost函数 改为 ：

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y))

把batch改为 1000：

X,Y = data.train.next_batch(1000)

识别率会上升一点点，也不会提高太多，因为这个入门向神经网络只有一层，没有深度。