Tensorflow 第一个例子
安装完 Tensorflow 之后，尝试经典的 MNIST 手写体识别的例子。该例子在安装tensorflow之后自带，可在如下目录中找到（Anaconda_PATH代表安装Anaconda的目录位置）
Anaconda_PATH\envs\TensorFlow\Lib\site-packages\tensorflow\examples\tutorials\mnist
该目录中包含三个例子mnist_softmax.py，fully_connected_feed.py，mnist_with_summaries.py。其他几个文件是这几个例子执行时需要引用的。先从最简单的例子mnist_softmax.py来说明tensorflow的基本概念和原理。
mnist_softmax.py文件的内容如下：
可在命令行执行如下命令直接运行它：
但是很有可能运行报错，因为天朝的网络很难下载数据集（反正我运行了好几次都不行）。最可靠的方法是新建data目录，下载下面四个文件（数据集）放到data中
●http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
●http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
●http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
●http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
然后执行如下命令
可能的输出如下：
恭喜，说明第一个例子运行成功了。
接下来解释一下这个例子做了什么事。
这两句用于下载数据（很不幸一般很难下载下来），并将数据读入内存。数据读入内存后会分为三部分，训练集(mnist.train，包含55000个样例)，测试集(mnist.test，包含10000个样例)，校验集(mnist.validation，包含5000个样例)。每一个样例可以看成一个”点“，每个点包含一张图（手写数字的照片，可记为x）和一个标记（一个数字，表示这个手写的数字是几，可记为y）。每张图都是28x28=784像素大小的，如果把每个像素点记为一个浮点数，则每个点包含784个x（因为图片是黑白的，所以用一个浮点数表示灰度即可）和一个0-9的整数y。
在此例中，采用了单层10个神经元的神经网络，每个神经元对应0-9中的一个数，每个神经元最终的输出相当于该图片为这个数字的概率。Tensorflow在python环境中获取所有的神经网络模型信息之后，利用底层的库（通过NumPy库进行转换）来进行高效地计算（比如大量的矩阵乘法）。
这两句中第一句引入了tensorflow库，第二句则定义了输入变量，因为要在获得整个网络信息之后才进行计算，所以此处的网络输入是未知的，因此只是定义了一个占位符变量，表示输入量是2维浮点数，其中第一维可能是任意长度（第一维是None，代表任意长度），第二维长度为784，代表一张图上所有的像素点。
接下来两句定义了变量，表示在计算中可以改变但一直存在的参数，并规定其初值均为0。由于神经网络计算就是要求出权重W和偏置b，因此这些变量可以取任意初始值。
本来至此应该定义模型如下，表示输出y=f_softmax(W.x+b)
但正如mnist_softmax.py原文中所解释的，为了后面定义训练模型的规则，此处改为了
第1行仅定义了y=W.x+b，然后为了定义该模型怎么样算好，或者说我们希望以什么东西为标准来进行优化，又定义了cross_entropy（交叉熵）的概念，该概念依赖于真实值y'和计算值y，满足
y' 代表每张图所代表的真实值，比如 3 的话，就是（0，0，0，1，0，0，0，0，0，0）。交叉熵越大，意味着结果越差。因此第2行定义了y_占位符来保存真正的输出值，第3行给出了交叉熵的定义。
接下来利用反向传播算法最小化cross_entropy，训练模型
该语句表示利用梯度下降算法，以learning_rate=0.5的学习速率，最小化之前定义的cross_entropy。至此，整个神经网络模型构建好，tensorflow可以进行计算，调整参数，给出最终结果了。注意tensorflow提供了很多优化算法，可参考如下链接
https://www.tensorflow.org/api_guides/python/train#optimizers
最后可以进行真正的计算了
前两句创建了一个session进行计算，并对变量进行初始化；后面的循环进行真正的计算。在此处共循环1000次，每次从训练集中随机取100个点（每个点包含一张图和一个标签），然后用这些点替换之前的占位符，然后执行train_step定义的计算。值得注意的是，原则上每次循环都应该用上训练集中的所有点，但这样计算过于耗时，因此这个例子中使用了训练集的子集来进行计算，也能给出不错的结果。
最后，对训练的结果进行测试
tf.argmax函数给出张量沿某个方向的最大值所在的指标，因此tf.argmax(y,1)给出神经网络模型所认为的图片对应的数字，而tf.argmax(y_,1)则给出该图片真实对应的数字。correct_prediction表示神经网络模型预言是否正确。第2行则将这些对错序列转化为浮点数，比如[true, true, false, true,...]转化为[1,1,0,1,...]，然后计算其平均值。最后一行将最终的正确率打印出来。如前面图中的结果所示，正确率达到0.9196，约为92%，还算不错。
更详细的说明可参考如下链接：
https://www.tensorflow.org/get_started/mnist/beginners