这次我们会介绍如何使用Tensorflow解决Classification（分类）问题。在之前的文章中介绍的都是Regression（回归）问题。分类和回归的区别在于输出变量的类型上。通俗理解定量输出是回归，或者说是连续变量预测；定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务；把东西分成几类，比如猫狗猪牛，就是一个分类任务。
一、MNIST数据。
首先准备数据（MNIST库）
from tensorflow.examples.tutorials.mnist import input_data
# number 1 to 10 data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
MNIST库是手写体数字库，差不多是这个样子的：
数据中包含55000张训练图片，每张图片的分辨率是28*28，所以我们的训练网络输入应该是28*28=784个像素数据。
二、搭建网络
（1）定义网络的输入
# define placeholder for inputs to network xs = tf.placeholder(tf.float32, [None,784]) # 28*28
其中None表示忽略样本的个数，784表示每个样本为784个像素点。
（2）因为神经网络是有监督学习，所以我们要输入标签。
ys = tf.placeholder(tf.float32, [None,10])
每张图片都表示一个数字，所以我们的输出是数字0到9，共10类。
（3）调用add_layer函数搭建一个最简单的训练网络结构，只有输入层和输出层。
prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)
其中输入数据是784个特征，输出数据是个10个特征，激励函数采用的是softmax函数，网络结构图是下面这个样子：
三、交叉熵损失函数（Cross entropy loss）
loss函数（即最优化目标函数）选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零。
# the error between prediction and real data cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1])) #loss
train方法（最优化算法）采用梯度下降法。
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) sess =tf.Session() # important step sess.run(tf.initialize_all_variables())
四、训练
现在开始train，每次只取100张图片，免得数据太多训练太慢。并且每训练50次输出一下预测精度。
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs:batch_xs,ys:batch_ys})
if i % 50 ==0:
# print(sess.run(prediction,feed_dict={xs:batch_xs}))
print(compute_accuracy(mnist.test.images,mnist.test.labels))
五、结果
分析：结果还是很令人吃惊的，如此简单的神经网络结构竟然可以达到这样的图像识别精度，其实稍作改动之后，识别的精度将大幅度提高。
六、给出完整的代码
#coding:utf-8
# 导入本次需要的模块
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# number 1 to 10 data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
'''
inputs：输入值
in_size：输入的大小
out_size：输出的大小
activation_function：激活函数
'''
# 构造添加一个神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
# 定义weights为一个in_size行，out_size列的随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
def compute_accuracy(v_xs,v_ys):
global prediction
y_pre = sess.run(prediction, feed_dict={xs:v_xs})
correct_prediction = tf.equal(tf.argmax(y_pre, 1),tf.argmax(v_ys,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
result = sess.run(accuracy, feed_dict={xs:v_xs,ys:v_ys})
return result
# #################导入数据##################################
# define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None,784]) # 28*28
ys = tf.placeholder(tf.float32, [None,10])
# #################导入数据##################################
# #################搭建神经网络##################################
prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)
# print(prediction)
# the error between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1])) #loss
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess =tf.Session()
# important step
sess.run(tf.initialize_all_variables())
# #################搭建神经网络##################################
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs:batch_xs,ys:batch_ys})
if i % 50 ==0:
# print(sess.run(prediction,feed_dict={xs:batch_xs}))
print(compute_accuracy(mnist.test.images,mnist.test.labels))
观看视频笔记：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-01-classifier/