代码：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
from tensorflow.contrib.tensorboard.plugins import projector
#可视化（暂时不关心结果，只关心结构）
#载入数据
mnist = input_data.read_data_sets('MNIST_data/',one_hot = True)
#运行次数
max_steps = 1001
#图片数量
image_num = 3000#因为我们的图片中最多有1万张，可以修改数值，但是要在1万以内
#文件路径
DIR="C:/Users/ZSl/Documents/"
#定义会话
sess = tf.Session()
#载入图片 图片从第0张开始 到底3000张，然后打包放入
embedding = tf.Variable(tf.stack(mnist.test.images[:image_num]), trainable=False, name='embedding')
#参数概要,传入一个参数，分别计算以下结果
def variable_summaries(var):
with tf.name_scope('summaries'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean',mean)#平均值，给参数一个名字
with tf.name_scope('stddev'):
stddev=tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
tf.summary.scalar('stddev',stddev)#标准差
tf.summary.scalar('max',tf.reduce_max(var))#最大值
tf.summary.scalar('min',tf.reduce_min(var))#最小值
tf.summary.histogram('histogram',var)#直方图
#定义一个命名空间,x,y注意缩进
with tf.name_scope('input'):
#定义两个placeholder，None=100批次
x = tf.placeholder(tf.float32,[None,784],name='x-input')
y = tf.placeholder(tf.float32,[None,10],name='y-input')
#显示图片
with tf.name_scope('input_reshape'):
image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])#-1是不确定的值，tf.float32的一次传入几张图片不确定 ，1代表是黑白图片 3代表是彩色图片
tf.summary.image('input', image_shaped_input, 10)
with tf.name_scope('layer'):
#创建一个简单的神经网络（这里只是2层）
#输入层784个神经元，输出层10个神经元
with tf.name_scope('weights'):
W = tf.Variable(tf.zeros([784,10]),name='W')
variable_summaries(W)#
with tf.name_scope('biases'):
b = tf.Variable(tf.zeros([10]),name='b')
variable_summaries(b)#
with tf.name_scope('wx_plus_b'):
wx_plus_b=tf.matmul(x,W)+b
with tf.name_scope('softmax'):
prediction = tf.nn.softmax(wx_plus_b)#得到很多概率（对应标签的10个概率）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17%
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
tf.summary.scalar('loss',loss)#数据比较多的时候调用variable_summaries()，在这里因为loss只有一个 就没必要调用
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#定义一个求准确率的方法
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1 就是对应的标签
with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型 显示1的和总的数据的比值就是准确率
with tf.name_scope('accuracy'):
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
tf.summary.scalar('accuracy',accuracy)
#产生metadata文件
if tf.gfile.Exists(DIR + 'projector/projector/metadata.tsv'):#这个if是判断文件是否存在，存在则删除，不存在则新建并添加
tf.gfile.DeleteRecursively(DIR + 'projector/projector/metadata.tsv')
with open(DIR + 'projector/projector/metadata.tsv', 'w') as f:
labels = sess.run(tf.argmax(mnist.test.labels[:],1))#得到测试集的标签，
for i in range(image_num): #3000个对应图片的标签存入
f.write(str(labels[i]) + '\n')
#合并所有的summary(所有检测的指标进行合并)
merged=tf.summary.merge_all()
#根据官网例子进行修改
projector_writer = tf.summary.FileWriter(DIR + 'projector/projector',sess.graph)#图的结构sess.graph
saver = tf.train.Saver()#用来保存网络的模型
config = projector.ProjectorConfig()#配置项的定义
embed = config.embeddings.add()#固定
embed.tensor_name = embedding.name#固定
embed.metadata_path = DIR + 'projector/projector/metadata.tsv'
embed.sprite.image_path = DIR + 'projector/data/mnist_10k_sprite.png'
embed.sprite.single_image_dim.extend([28,28])#图片分割，切分
projector.visualize_embeddings(projector_writer,config)#图片可视化
#训练方式 一共训练多少图片：max_steps*100
for i in range(max_steps):
#每个批次100个样本
batch_xs,batch_ys = mnist.train.next_batch(100)
run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)#固定
run_metadata = tf.RunMetadata()#固定
summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys},options=run_options,run_metadata=run_metadata)
projector_writer.add_run_metadata(run_metadata, 'step%03d' % i)#记录参数的变化
projector_writer.add_summary(summary, i)
if i%100 == 0:#每训练100次，打印出测试的准确率
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print ("Iter " + str(i) + ", Testing Accuracy= " + str(acc))
saver.save(sess, DIR + 'projector/projector/a_model.ckpt', global_step=max_steps)
projector_writer.close()
sess.close() 效果图（3维+平面）：（我电脑配置太低，运行过慢，所以就没等待了）
操作步骤：
- 1.在程序代码保存的路径下建立：（data中存储的是mnist_10k_sprite.png：1万个手写体。projector文件夹中存储的是projector的空文件夹。）
- 2.运行代码后生成：
- 3.执行“命令提示符” 出现如下：
- 4.复制网址到谷歌中