tensorflow学习（3）MNIST数据集 逻辑回归

前言：实现了mnist数据集手写数字识别

代码中包含讲解、重要函数的解释！  

今天学的函数：

tf.reduce_mean 函数
用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
#第一个参数input_tensor： 输入的待降维的tensor;
# 第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
# 第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
# 第四个参数name： 操作的名称;第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

#argmax(actv，1) 求行里面最大值的索引 ，并与正确标签比较，返回TRUE 、 FALSE  

#cast（） 把pred得到的TRUE FALSE 转化成  1,0 ，并计算平均值，求得此次分类的精确度

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data

mnist      = input_data.read_data_sets('data/', one_hot=True)
trainimg   = mnist.train.images
trainlabel = mnist.train.labels
testimg    = mnist.test.images
testlabel  = mnist.test.labels
print ("MNIST loaded")

print (trainimg.shape)
print (trainlabel.shape)
print (testimg.shape)
print (testlabel.shape)
#print (trainimg)
print (trainlabel[0])#  行向量[0,0,0,0,0,0,0,1,0,0]

x = tf.placeholder("float", [None, 784])  #  占存储空间 无数*784
y = tf.placeholder("float", [None, 10])  # None is for infinite
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# LOGISTIC REGRESSION MODEL
actv = tf.nn.softmax(tf.matmul(x, W) + b)  #计算得分*10个  ei/sum(ej)
# COST FUNCTION
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),axis=1))#  y*tf.log(actv)只留下标签对应的（正确类别的）log得分，再取每行的和（降维成55000*1），再取平均降维成1个数
# OPTIMIZER
#tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
#第一个参数input_tensor： 输入的待降维的tensor;
# 第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
# 第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
# 第四个参数name： 操作的名称;第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

learning_rate = 0.01
optm = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)#采用梯度下降法使cost减小


# PREDICTION
#argmax(actv，1) 求行里面最大值的索引 ，并与正确标签比较，返回TRUE 、 FALSE  55000*1
pred = tf.equal(tf.argmax(actv, 1), tf.argmax(y, 1))
# ACCURACY
#cast（） 把pred得到的TRUE FALSE 转化成  1,0 ，并计算平均值，求得此次分类的精确度
accr = tf.reduce_mean(tf.cast(pred, "float"))
# INITIALIZER
init = tf.global_variables_initializer()


training_epochs = 50  #  所有样本迭代50次
batch_size      = 100  #每次迭代100张
display_step    = 5  #展示
# SESSION
sess = tf.Session()
sess.run(init)
# MINI-BATCH LEARNING
for epoch in range(training_epochs):
    avg_cost = 0.
    num_batch = int(mnist.train.num_examples/batch_size)
    for i in range(num_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        #batch_xs, 值data  batch_ys 标签   next_batch(batch_size)：mnist自带函数，获得下一batch
        sess.run(optm, feed_dict={x: batch_xs, y: batch_ys})
        # 前面的placeholdr占存储空间，现在feed_dict赋值
        feeds = {x: batch_xs, y: batch_ys}
        avg_cost += sess.run(cost, feed_dict=feeds)/num_batch
        #求1次迭代的平均cost
    # DISPLAY
    if epoch % display_step == 0:  #每5个epoch打印一次 训练和测试的数据
        feeds_train = {x: batch_xs, y: batch_ys}
        feeds_test = {x: mnist.test.images, y: mnist.test.labels}
        train_acc = sess.run(accr, feed_dict=feeds_train)
        test_acc = sess.run(accr, feed_dict=feeds_test)
        print ("Epoch: %03d/%03d cost: %.9f train_acc: %.3f test_acc: %.3f"
               % (epoch, training_epochs, avg_cost, train_acc, test_acc))
print ("DONE")

input_data:

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import gzip
import os
import tempfile

import numpy
from six.moves import urllib
from six.moves import xrange  # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

大概20s，结果：