MNIST数据集是手写数字0~9的数据集，一般被用作机器学习领域的测试。
本程序先导入数据，再利用最小梯度法进行训练使得样本交叉熵最小，最后给出训练之后程序的准确率。
交叉熵的定义：
y 是我们预测的概率分布, y’ 是实际的分布。
该指标用来衡量学习结果与实际情况的差距。
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
# initialize
mnist = input_data.read_data_sets("F:\Tensorflow\MNIST", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder("float", [None, 10])
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# train
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# predict
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
先用placeholder和variable初始化。placeholder(占位符)一般用于导入数据，而Variable一般是与学习过程相关的变量。
之后，启动Session进行训练，本程序当中随机选取了100张图片进行训练。
最后运行的准确率为91.63%。如下图：
