作為書中第一個實戰例子，“Tensorflow實作Softmax Regression識别手寫數字”中使用的網絡很簡單，因為沒有隐含層，都算不上神經網絡。我也簡單的記錄一下這個執行個體中比較有價值的點吧。
一． 資料集
本書中很多執行個體都是跑mnist資料集，此資料集很小隻有55000張訓練圖檔，10000張測試圖檔，5000張驗證圖檔，圖檔的内容是0-9手寫數字。圖檔是28*28的灰階圖，空白像素點的值為0，有顔色的像素值全為1。資料集有兩種輸入格式：1*784或28*28.
二．訓練網絡
訓練有3個過程：
1. 提取特征
2. Softmax
3. 交叉熵和梯度下降優化
梯度下降調用tf内部的操作即可。
三．測試網絡
測試網絡通過10000張驗證圖檔求accuracy。
四．程式分析
# coding:utf-8
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
#建立新的會話，圖的執行和儲存一般是在會話中完成，但這裡sess貌似沒有用到，這點不太明白。
sess = tf.InteractiveSession()
#placeholder:占位符，提供輸入資料的地方，不是tensor.一般隻有x,y輸入才需要用到。
#[None, 784]:占位符的shape，也是輸入tensor的shape，取決于輸入資料的shape。784表示列數，None幾乎等于輸入行數任意。
x = tf.placeholder(tf.float32, [None, 784])
#Variable：持久化儲存tensor。tensor本身一用完就會消失，像w,b這種一直疊代的參數需要持久化存在。
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
#tensorflow的nn中有大量神經網絡元件，要用某種操作，首先到nn、train這樣的模組種找。
#matmul矩陣乘法中的一個ops，最常用的ops有array、矩陣等檔案下的ops，可在../tenserflow/python/ops下xx_ops.py中找。
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32,[None, 10])
#計算交叉熵，也就是求loss
#reduce_mean：對每個batch資料結果求均值
#reduce_sum：求和
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
#GradientDescentOptimizer：随機梯度下降（SGD），0.5為其學習率，minimize的參數為最小化的目标tensor.
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#初始化圖中變量。
tf.global_variables_initializer().run()
#開始按Batch訓練。
for i in range(1000):
#讀入100張圖和對應的100個标簽。
batch_xs, batch_ys = mnist.train.next_batch(100)
#執行優化
#{x:batch_xs, y_:batch_ys}将資料輸入到對應的placeholder中。
train_step.run({x:batch_xs, y_:batch_ys})
#equal:判斷兩個參數是否相等，預測是否準确。
#argmax：求各預測數字中機率最大的一個。
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
#計算搜尋測試的平均準确率。
#cast：轉換類型，将第一個參數的類型轉化為第二參數指定的類型。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print accuracy.eval({x:mnist.test.images, y_:mnist.test.labels})