一、环境配置：
我并没有按照书上的安装方法去安装Tensorflow，选择了一种偷懒的方式，因为先安装了Anaconda，所以直接：conda install tensorflow。因为台式机是集成显卡，没有安装NVDIA的显卡，所以没有使用GPU版本的。目前看起来没什么问题，但是肯定还是要重装的。
二、简单的例子：
书中将Tensorflow实现Softmax Regression识别手写数字比作编程中的"Hello World"，可见其重要性，所以还是认认真真的写了一遍。
使用的数据库是MNIST的数据库。可以直接在官网中下到，下载完成后不需要解压。也可以使用Python代码进行下载。
1 from tensorflow.examples.tutorials.mnist import input_data 2 mnist = input_data.read_data_sets(‘MNIST_data‘, one_hot=True)
这样就可以把数据集放在代码存放位置的 MNIST_data 目录下，里面就是四个数据集，和在官网直接下载是一样的。
之后就开是用到Tensorflow了。
数据集的每一张是28*28像素大小的灰度图片，所以有一个784的一维向量，所有的数据集在一起就是一个55000*784的Tensor，然后将label也进行编码，得到 5500 * 10 的labels的Tensor。
处理好数据集之后接着就是对于算法的设计了，这里采用的是：Softmax Regression算法。好吧，百度找了一圈，都是关于公式的证明什么的，无非就是想说明，将分类问题转换为概率问题，取最大概率，从而判断其分类， 之后就是一堆公式的转换了。数学公式比较难写下来，我要在准备一下，所以先上代码了。
# -*- coding: utf-8 -*- """ Created on Thu Jan 11 14:03:39 2018 @author: TulLing """ from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(‘MNIST_data‘, one_hot=True) # ============================================================================= # print(mnist.train.images.shape,mnist.train.labels.shape) # print(mnist.test.images.shape,mnist.test.labels.shape) # print(mnist.validation.images.shape,mnist.validation.labels.shape) # ============================================================================= import tensorflow as tf sess =tf.InteractiveSession() x = tf.placeholder(tf.float32,[None,784]) W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) # ============================================================================= # print(x) # print(w) # print(b) # ============================================================================= # Y y = tf.nn.softmax(tf.matmul(x,W) + b) # print(y) #Y的导数 y_ = tf.placeholder(tf.float32,[None,10]) #损失函数的定义 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) tf.global_variables_initializer().run() for i in range(1000): batch_xs,bathc_ys = mnist.train.next_batch(100) train_step.run({x:batch_xs,y_: bathc_ys}) correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))
