前言：这是一篇基于tensorflow框架，创建的只有一层隐藏层的BP神经网络，做的图片识别，内容也比较简单，全当是自己的学习笔记了。

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

1、加载MNIST数据集

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集，也是Google做图片识别的经典数据集。MNIST数据集下载链接: https://pan.baidu.com/s/1d9ty82 密码: jcam

2、运行TensorFlow框架

import tensorflow as tf

sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)

TensorFlow框架与后端的连接叫做session，也就是说我们用session启动TensorFlow框架（详情就要自己深入了解了）

3、预定义输入值X，真实值Y

X = tf.placeholder(tf.float32, shape=[None, 784])
Y = tf.placeholder(tf.float32, shape=[None, 10])

X，Y现由占位符表示，可以在TensorFlow运行某一计算时，根据该占位符输入的具体的值而进行计算；
tf.float32 是存储的类型；shape=[None, 784]是数据维度大小——因为MNIST数据集中每一张图片大小都是28*28的，计算时候是将28*28的二维数据转换成一个一维的、长度为784的新向量。None表示其值大小不定，意即选中的X、Y的数量暂时不定

4、创建BP神经网络

"""
用随机数列生成的方式，创建含一个隐藏层的神经网络。(784,300,10)
"""
#truncated_normal：选取位于正态分布均值=0.1附近的随机值
w1 = tf.Variable(tf.truncated_normal([784,300],stddev=0.1))
w2 = tf.Variable(tf.zeros([300,10]))
b1 = tf.Variable(tf.zeros([300]))
b2 = tf.Variable(tf.zeros([10]))
#relu、softmax都为激活函数
L1 = tf.nn.relu(tf.matmul(X,w1)+b1)
y = tf.nn.softmax(tf.matmul(L1,w2)+b2)

BP神经网络输入层有784个神经元、隐藏层300个神经元、输出层10个神经元。初始化各级权重w1、w2；各级偏置值b1、b2——都是采用随机数列生成的方式。定义隐藏层、输出层的计算方式以及各自的激活函数。

5、计算误差并用梯度下降法优化权重

#二次代价函数:计算预测值y与真实值Y之间的误差
loss = tf.reduce_mean(tf.square(Y - y))
#梯度下降法:选用GradientDescentOptimizer优化器，学习率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

误差也叫损失函数、代价函数。TensorFlow中有大量内置的优化算法，这里我们选用最简单的GradientDescentOptimizer优化器让交叉熵下降，步长为定为0.5

6、计算准确率

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(Y,1))
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

tf.argmax()函数：是返回对象在某一维上的其数据最大值所对应的索引值，由于这里的标签向量都是由0,1组成，因此最大值1所在的索引位置就是对应的类别标签
tf.argmax(y,1)返回的是对于任一输入x预测到的标签值，tf.argmax(Y,1)代表正确的标签值
correct_prediction 这里是返回一个布尔数组。为了计算我们分类的准确率，我们将布尔值转换为浮点数来代表对与错，然后取平均值。例如：[True, False, True, True]变为[1,0,1,1]，计算出准确率就为0.75

7、其他说明

batch_xs,batch_ys = mnist.train.next_batch(batch_size)
        sess.run(train_step,feed_dict=({X:batch_xs,Y:batch_ys}))
        acc = sess.run(accuracy,feed_dict={X:mnist.test.images,Y:mnist.test.labels})

batch_xs与batch_ys：是从MNIST数据集中按批次数取得的：数据项与标签项
feed_dict=({X:batch_xs,Y:batch_ys}语句：是将batch_xs、batch_ys代表的值传入X、Y

源码与效果展示

# -*- coding:utf-8 -*-
# -*- author：zzZ_CMing
# -*- 2018/01/23;21:49
# -*- python3.5

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#读取MNIST数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#设置每个批次的大小
batch_size = 500
#计算一共有多少个批次(地板除)
n_batch = mnist.train.num_examples//batch_size
#预定义输入值X、输出真实值Y    placeholder为占位符
X = tf.placeholder(tf.float32,[None,784])
Y = tf.placeholder(tf.float32,[None,10])



"""
用随机数列生成的方式，创建含一个隐藏层的神经网络。(784,300,10)
"""
#truncated_normal：选取位于正态分布均值=0.1附近的随机值
w1 = tf.Variable(tf.truncated_normal([784,300],stddev=0.1))
w2 = tf.Variable(tf.zeros([300,10]))
b1 = tf.Variable(tf.zeros([300]))
b2 = tf.Variable(tf.zeros([10]))
#relu、softmax都为激活函数
L1 = tf.nn.relu(tf.matmul(X,w1)+b1)
y = tf.nn.softmax(tf.matmul(L1,w2)+b2)
#二次代价函数:预测值与真实值的误差
loss = tf.reduce_mean(tf.square(Y - y))
#梯度下降法:选用GradientDescentOptimizer优化器，学习率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(Y,1))
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


#初始化变量，激活tf框架
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

for i in range(21):
    for batch in range(n_batch):
        batch_xs,batch_ys = mnist.train.next_batch(batch_size)
        sess.run(train_step,feed_dict=({X:batch_xs,Y:batch_ys}))
        acc = sess.run(accuracy,feed_dict={X:mnist.test.images,Y:mnist.test.labels})
    print("Iter " + str(i)+",Testing Accuracy "+str(acc))

效果展示：
这里写图片描述

迭代10次的准确率就已经到90.85%，对于现在的技术来说，这个准确率还是比较低的。CNN卷积神经网络对于更为复杂的图片识别准确率都已经能达到98%以上，所以自己的学习之路还得百尺竿头更进一步
程序运行起来比较慢，大家全当学习了

系列推荐：

【深度学习】3：BP神经网络与MNIST数据集实现手写数字识别