TensorFlow简单训练随笔

在进行ML的过程中，最重要的是建立数学模型，通常我们可以使用训练特征向量等方法进行建模，此处涉及内容较多，待有空时在写一篇

建立好数学模型之后，我们就需要将模型导入TensorFlow了，在这个步骤中我们需要定义tf.placeholder（用于传入数据）、tf.Variable：用来存放模型参数（tf.Variable在计算图中可以存储并更新），我们举一个例子:

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)

其次，我们需要定义loss，并指定优化器 :

y_ = tf.placeholder(tf.float32, [None, 10]) 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

再次：我们传入数据并进行训练

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run(feed_dict={x:batch_xs, y_: batch_ys})

最后， 我们需要使用测试集进行评测。此处我们需要针对优化模型选择不同的测试集，如:

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

至此，一个简单的机械学习项目就完成了。