Logistic回归只能解决二分类问题，而在实际生活中的问题一般是多分类问题。如：mnist手写数字，需要分类10类数字？而softmax就是解决多分类问题。
softmax的理论请查看： 斯坦福大学的中文介绍文档
首先要导入mnist数据，地址是： https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/mnist/input_data.py 训练数据：60000*784，训练标签：60000*10 测试数据：10000*784，测试标签：10000*10
#导入mnist数据 import input_data import tensorflow as tf #读取数据 mnist = input_data.read_data_sets("Mnist_data/", one_hot=True) ## 进入一个交互式 TensorFlow 会话. sess = tf.InteractiveSession() # 创建一个model #通过操作符号变量来描述这些可交互的操作单元 #x不是一个特定的值，而是一个占位符placeholder #这里的None表示此张量的第一个维度可以是任何长度的 x = tf.placeholder(tf.float32, [None, 784]) #一个Variable代表一个可修改的张量，存在在TensorFlow的用于描述 交互性操作的图中。 #用全为零的张量来初始化W和b。因为我们要学习W和b的值，它们的初值可以随意设置。 #W的维度是[784X10],用784维的图片向量乘以它以得到一个10维的证据值向量 W = tf.Variable(tf.zeros([784, 10])) #b的形状是[10]，所以我们可以直接把它加到输出上面 b = tf.Variable(tf.zeros([10])) #实现模型y=x*W+b y = tf.nn.softmax(tf.matmul(x, W) + b) #训练模型 # Define loss and optimizer #添加一个新的占位符用于输入正确值 y_ = tf.placeholder(tf.float32, [None, 10]) #交叉熵：交叉熵是用来衡量我们的预测用于描述真相的低效性 #y是我们预测的概率分布, y_是实际的分布(我们输入的一维向量) cross_entropy = -tf.reduce_sum(y_ * tf.log(y)) #TensorFlow用梯度下降算法(gradient descent algorithm)以0.01的学习速率最小化交叉熵 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # Train #初始化变量 tf.initialize_all_variables().run() #让模型循环训练1000次 for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) train_step.run({x: batch_xs, y_: batch_ys}) # Test trained model #tf.argmax 是一个非常有用的函数，它能给你在一个张量里沿着某条轴的最高条目的索引值。 #tf.argmax(y,1) 是模型认为每个输入最有可能对应的那些标签， #而tf.argmax(y_,1) 代表正确的标签。 #用tf.equal 来检测我们的预测是否真实标签匹配。 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) #布尔值转换成浮点数，然后取平均值 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))tensorflow的函数使用建立模型还是很方便的，本文关于tensorflow的代码都亲测无误，笔者用这些模型处理脑电数据，因为数据的保密性，文中数据都是公有数据，有兴趣的交流。
