介紹tensorflow
入門MNIST
Google開源架構之MNIST入門 Google開源架構之MNIST入門
人眼直接看圖檔直接就可以知道數字為多少，我們的任務就是讓計算機能夠看懂數字。
那麼你就可以像下面的代碼一樣使用該腳本
這段代碼作用将資料集分為訓練集和測試集，分别為60000與10000。
這裡我引用極客學院的關于這個回歸的介紹：
我們知道MNIST的每一張圖檔都表示一個數字，從0到9。我們希望得到給定圖檔代表每個數字的機率。比如說，我們的模型可能推測一張包含9的圖檔代表數字9的機率是80%但是判斷它是8的機率是5%（因為8和9都有上半部分的小圓），然後給予它代表其他數字的機率更小的值。
這是一個使用softmax回歸（softmax regression）模型的經典案例。softmax模型可以用來給不同的對象配置設定機率。即使在之後，我們訓練更加精細的模型時，最後一步也需要用softmax來配置設定機率。
softmax回歸（softmax regression）分兩步：第一步
為了得到一張給定圖檔屬于某個特定數字類的證據（evidence），我們對圖檔像素值進行權重求和。如果這個像素具有很強的證據說明這張圖檔不屬于該類，那麼相應的權值為負數，相反如果這個像素擁有有利的證據支援這張圖檔屬于這個類，那麼權值是正數。
evidencei=∑jWi, jxj+bi
然後将所求得的和進行機率統計。
y=softmax(evidence)
根據機率最大的值就很可能能為對應的标簽。
softmax(x)=normalize(exp(x))
展開
softmax(x)i=exp(xi)∑jexp(xj)
我們根據矩陣，可以将其展開成：
最後，更一般的：
将其寫成一般化數學公式為：
y=softmax(Wx+b)
現在到了我們實作的步驟了，tensorflow提供了大量的數值計算的庫，準确的來說，并不是數值計算，而是符号計算，對于符号計算，我也是剛剛才了解這種符号化計算方式。連google最新的支援的API是python的，是以當時決定學習python作為腳本語言是明智的選擇，臭美中。。。
首先我們先導入該架構：
接下來，我們通過操作符号變量來描述這些可互動的操作單元，可以用下面的方式建立一個：
x不是一個特定的值，而是一個占位符placeholder，我們在TensorFlow運作計算時輸入這個值。我們希望能夠輸入任意數量的MNIST圖像，每一張圖展平成784維的向量。我們用2維的浮點數張量來表示這些圖，這個張量的形狀是[None，784 ]。（這裡的None表示此張量的第一個次元可以是任何長度的。 ）
我們的模型也需要權重值和偏置量，當然我們可以把它們當做是另外的輸入（使用占位符），但TensorFlow有一個更好的方法來表示它們：Variable 。 一個Variable代表一個可修改的張量，存在在TensorFlow的用于描述互動性操作的圖中。它們可以用于計算輸入值，也可以在計算中被修改。對于各種機器學習應用，一般都會有模型參數，可以用Variable表示。
現在，我們可以實作我們的模型啦。隻需要一行代碼！
首先，我們用tf.matmul(X，W)表示x乘以W，對應之前等式裡面的(Wx)，這裡x是一個2維張量擁有多個輸入。然後再加上b，把和輸入到tf.nn.softmax函數裡面。
對于接觸過機器學習的同學來說，交叉熵作為損失評估是再也常見不過了
Hy′(y)=−∑iy′ilog(yi)
為了計算交叉熵，我們首先需要添加一個新的占位符用于輸入正确值：
下面我們就用上面的代碼建構訓練算法，這裡使用了反向傳播算法，對于算法的細節我們不需要了解太多，我們首先會使用即可。
現在，我們已經設定好了我們的模型。在運作計算之前，我們需要添加一個操作來初始化我們建立的變量：
現在我們可以在一個Session裡面啟動我們的模型，并且初始化變量：
然後開始訓練模型，這裡我們讓模型循環訓練1000次！
訓練模型已經完成，那我們怎麼知道該模型的好壞呢？
首先讓我們找出那些預測正确的标簽。tf.argmax 是一個非常有用的函數，它能給你在一個張量裡沿着某條軸的最高條目的索引值。比如，tf.argmax(y,1) 是模型認為每個輸入最有可能對應的那些标簽，而 tf.argmax(y_,1) 代表正确的标簽。 我們可以用 tf.equal 來檢測我們的預測是否真實标簽比對。
最後将正确率輸出：
最後在我的阿裡雲伺服器上得到的結果為91.8%，看起來不是特别好，别着急，我們接下來會使用卷積神經網絡來構模組化型。
學會了使用tensorflow建構簡單的淺層網絡，并将整個淺層網絡搭建起來，并将代碼放在github中。接下來使用卷積神經網絡。