识别MNIST已经成了深度学习的hello world，所以每次例程基本都会用到这个数据集，这个数据集在tensorflow内部用着很好的封装，因此可以方便地使用。

这次我们用tensorflow搭建一个softmax多分类器，和之前搭建线性回归差不多，第一步是通过确定变量建立图模型，然后确定误差函数，最后调用优化器优化。

误差函数与线性回归不同，这里因为是多分类问题，所以使用了交叉熵。

另外，有一点值得注意的是，这里构建模型时我试图想拆分多个函数，但是后来发现这样做难度很大，因为图是在规定变量就已经定义好的，不能随意拆分，也不能当做变量传来传去，因此需要将他们写在一起。

代码如下：

#encoding=utf-8 __author__ = 'freedom' import tensorflow as tf def loadMNIST(): from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('MNIST_data',one_hot=True) return mnist def softmax(mnist,rate=0.01,batchSize=50,epoch=20): n = 784 # 向量的维度数目 m = None # 样本数，这里可以获取，也可以不获取 c = 10 # 类别数目 x = tf.placeholder(tf.float32,[m,n]) y = tf.placeholder(tf.float32,[m,c]) w = tf.Variable(tf.zeros([n,c])) b = tf.Variable(tf.zeros([c])) pred= tf.nn.softmax(tf.matmul(x,w)+b) loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1)) opt = tf.train.GradientDescentOptimizer(rate).minimize(loss) init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) for index in range(epoch): avgLoss = 0 batchNum = int(mnist.train.num_examples/batchSize) for batch in range(batchNum): batch_x,batch_y = mnist.train.next_batch(batchSize) _,Loss = sess.run([opt,loss],{x:batch_x,y:batch_y}) avgLoss += Loss avgLoss /= batchNum print 'every epoch average loss is ',avgLoss right = tf.equal(tf.argmax(pred,1),tf.argmax(y,1)) accuracy = tf.reduce_mean(tf.cast(right,tf.float32)) print 'Accracy is ',sess.run(accuracy,({x:mnist.test.images,y:mnist.test.labels})) if __name__ == "__main__": mnist = loadMNIST() softmax(mnist)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。