建立一个拥有一个线性层的softmax回归模型
参考文档：tensorflow中文社区http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html
一 导入tensorflow，MNIST数据集
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
注：在自动下载安装的时候可能会发生连接错误，下载失败！主目录生成"MNIST_data"文件夹，但里面没有文件
解决方法：手动下载
MNIST数据集的官网，下载：
train-images-idx3-ubyte: training set images
train-labels-idx1-ubyte: training set labels
t10k-images-idx3-ubyte: test set images
t10k-labels-idx1-ubyte: test set labels
下载完的压缩包不要解压放在"MNIST_data"文件夹里，然后重新运行代码：
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
二 创建变量
softmax回归模型：
分析MNIST图像为得到代表每个数字的概率，为得到图像属于某特定数字类的证据，对图片像素值进行加权求和；w代表权重， b代表数字 i 类的偏置量，然后用softmax函数可以把这些证据转换成概率 y： y=softmax(Wx + b)
x=tf.placeholder("float",shape=[None,784])#用二维浮点数的张量表示MNIST图像，每张图为784维向量
w=tf.Variable(tf.zeros([784,10]))#w代表权重，维度是【784，10】
b=tf.Variables(tf.zeros([10]))#b代表偏置值，
y=tf.nn.softmax(tf.matmul(x,w)+b)#通过softmax函数得出概率值
tf.placeholder表示占位符，可以在TensorFlow运行某一计算时根据该占位符输入具体的值。虽然placeholder的shape参数是可选的，但有了它，TensorFlow能够自动捕捉因数据维度不一致导致的错误。
模型定义权重W和偏置b,可以将它们当作额外的输入量，在机器学习的应用过程中，模型参数一般用Variable来表示。
三 训练模型
添加新的占位符用于输入正确值：
y_=tf.placeholder("float",shape=[None,10])
计算交叉熵,其中y表示预测的概率分布，y_表示实际的分布。首先，用 tf.log 计算 y 的每个元素的对数。接下来，我们把 y_ 的每一个元素和 tf.log(y) 的对应元素相乘。最后，用 tf.reduce_sum 计算张量的所有元素的总和：
cross_entropy=-tf.reduce_sum(y_*tf.log(y))
要求tensorflow使用梯度下降算法（gradient descent algorithm），一种简单的学习过程，我们用最速下降法让交叉熵下降，步长为0.01：
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
此时，模型已设置完成。
在运行前，添加一个变量来初始化我们创建的变量：
init=tf.initialize_all_variables()
Tensorflow依赖于一个高效的C++后端来进行计算。与后端的这个连接叫做session。一般而言，使用TensorFlow程序的流程是先创建一个图，然后在session中启动它。
这里，我们使用更加方便的InteractiveSession类。通过它，你可以更加灵活地构建你的代码。它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。如果你没有使用InteractiveSession，那么你需要在启动session之前构建整个计算图，然后启动该计算图。
现在我们可以在一个InteractiveSession类里面启动我们的模型，并且初始化变量：
sess = tf.InteractiveSession()
sess.run(init)
每一步迭代，我们都会加载50个训练样本，然后执行一次train_step，并通过feed_dict将x 和 y_张量占位符用训练训练数据替代。
注意，在计算图中，你可以用feed_dict来替代任何张量，并不仅限于替换占位符。
for i in range(1000):
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
四 评估模型
tf.argmax能给出某个tensor对象在某一维上的其数据最大值所在的索引值。由于标签向量是由0,1组成，因此tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值,而 tf.argmax(y_,1) 代表正确的标签，我们可以用 tf.equal 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配)。
找出预测正确的标签：
corrrect_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
确定正确预测项的比例，并把返回值由布尔类型转换为浮点型：
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
最后，我们计算所学习到的模型在测试数据集上面的正确率:
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))
正确率约为91%