Tensorflow实现SoftMax Regression（MNIST）手写体数字识别

# MNSIT 训练样本有55000个、验证样本5000个、测试样本10000 # Tensorflow 1.2 版本是在这个路径 from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf # 数据集：将标签转换成ont-hot 编码的形式 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) # 定义前向传播：将图片丢弃图片的二维信息，将二维信息转变成1维信息，顺序不重要，只要每张图片都是用同样的规则进行转换即可 # None表示输入Batch_size任意 x = tf.placeholder(tf.float32, [None, 784]) w = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) # 输入矩阵是[Batch_size * 784]*[784*10] [10] 经过Softmax输出是各个数字的概率 y = tf.nn.softmax(tf.matmul(x, w) b) # 输入标签 y_ = tf.placeholder(tf.float32, [None, 10]) # 定义损失：利用交叉熵计算预测概率与真实概率分布的相似性 cross_entropy = tf.re