一直想接触一点深度学习的东西，但是都没有去了解。最近尝试玩一玩Tensorflow，然后试了一下自带的手写数字识别example。
实验平台：Win10 + PyCharm 2016.3.2 + Anaconda 3 + Python 3.5 + CUDA 8.0.44（GTX950） + cudnn5 + Tensorflow 1.0.0
先放代码：
# -*- coding: utf-8 -*- import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_data # 尝试下载数据包 mnist = input_data.read_data_sets('MNIST_data/', one_hot=True) # y_actual = W * x + b x = tf.placeholder(tf.float32, [None, 784]) # 占位符 y_actual = tf.placeholder(tf.float32, shape=[None, 10]) # 占位符（实际值） W = tf.Variable(tf.zeros([784, 10])) # 初始化权值W b = tf.Variable(tf.zeros([10])) # 初始化偏置b # 建立抽象模型 y_predict = tf.nn.softmax(tf.matmul(x, W) + b) # 加权变换并进行softmax回归，得到预测值 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_actual * tf.log(y_predict), reduction_indices=1)) # 求交叉熵 train = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 用梯度下降法使得残差最小 # 建立测试训练模型 correct_prediction = tf.equal(tf.argmax(y_predict, 1), tf.argmax(y_actual, 1)) # 若预测值与实际值相等则返回boolen值1，不等为0 accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float')) # 将返回的beelen数组转换为float类型，并求均值，即得到准确度 # 初始化所有变量 init = tf.initialize_all_variables() # 在一切操作之后，都用sess来run它们 with tf.Session() as sess: sess.run(init) for i in range(1000): # 训练阶段，迭代1000次 batch_xs, batch_ys = mnist.train.next_batch(100) # 按批次训练，每批100行数据 # 执行训练（此处为占位符x, y_actual载入数据，然后使用配置好的train来训练） sess.run(train, feed_dict={x: batch_xs, y_actual: batch_ys}) if i % 100 == 0: # 每训练100次，测试一次 print("accuracy:", sess.run(accuracy, feed_dict={x: mnist.test.images, y_actual: mnist.test.labels})) 上述代码只是训练的，正确率大概在91.83%。 代码mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)，该函数中会获取以下几个数据包： TRAIN_IMAGES = 'train-images-idx3-ubyte.gz' TRAIN_LABELS = 'train-labels-idx1-ubyte.gz' TEST_IMAGES = 't10k-images-idx3-ubyte.gz' TEST_LABELS = 't10k-labels-idx1-ubyte.gz' 当然获取地址为：http://yann.lecun.com/exdb/mnist/，所以，如果你下载好了就按照指定的路径存放就可以了，代码不会再去download。 上述images和labels数据包是按照一定格式存储的文件，可以用WinHex来查看。我自己转换了图片或文本格式的方便观察（如下所示），点击此处。
