Mnist识别

首先载入tensorflow库，并创建一个新的interactiveSession，使用这个命令会将session注册为默认的session，之后的运算也会跑在这个session里，不同session之间的数据和运算应该是相互独立的，接下来创建一个placeholder，即输入数据的地方，placeholder的第一个参数是数据类型，第二个参数[None，784]代表Tensor的shape，也就是数据的尺寸，这里的None代表不限条数的输入，784代表每条输入是一个784维的向量。

   接下来给softmax 回归模型中的weights和bias创建variable对象，variable是存储模型参数的。不同于存储数据的Tensor一旦使用掉就会消失，variable在模型训练迭代中时持久化的（比如一直存放在显存中），他可以长期存在并且在每轮迭代中被更新。我们把weights和bias全部初始化为0，因为模型训练时会自动学习合适的值，所以对这个简单模型来说初始值不太重要，不过对于复杂的卷积网络，循环网络或者比较深的全连接网络，初始方法就比较重要。W的shape是【784,10】，784是特征的维数，而后面的10代表有10类，因为Label在one-hot编码后是10维的向量。

TensorFlow中的softmax是tf.nn下面的一个函数，tf.nn则包含了大量神经网络的组件，tf.matmul是TensorFlow中的矩阵乘法函数，我们使用一行代码就定义了softmax regression，但他最厉害的地方不是定义公式，而是将forward和backward的内容都自动实现，只要定义好loss，训练时就会自动求导并进行梯度下降。

为了训练模型，我们需要定义一个loss function来描述对问题的分类精度，loss越小代表模型的分类结果与真实值的偏差越小。

我们采用常见的随机梯度下降SGD，TensorFlow就会根据我们定义的整个流程图自动求导，并根据反向传播算法进行训练，在每一轮迭代时更新参数来减小loss，在后台TensorFlow会自动添加许多运算操作来实现反向传播和梯度下降  ，而我们提供的就是一个封装好的优化器，只需要在每轮迭代时feed数据给他就好，我们直接调用tf.train.GradientDescentOptimizer,并设置学习速率为0.5，优化目标设定为cross-entropy，得到进行训练的操作train-step，当然TensorFlow还有许多其他的优化器，使用起来也非常方便，只需要修改函数名就可以

 

下一步使用TensorFlow的全局参数初始化器tf.gloabl_variables_initializer，并执行它的run方法

tf.gloabl_variables_initializer().run()

最后一步开始迭代执行训练操作train_step对这些样本进行训练。使用一小部分样本进行训练称为随机梯度下降，与每次使用全部样本的传统梯度下降相对应，如果每次训练都使用全部样本，计算量太大，有时也不容易跳出局部最优。对于大部分机器学习问题，我们都使用一部分数据进行随机梯度下降，这种做法绝大多数时候比全样本训练的收敛速度快的多

现在我们完成了训练，接下来对模型的准确率进行验证，下面代码中的tf.argmax(y,1)就是求各个预测的数字中概率最大的那一个，tf.argmax(y_,1)则是找样本的真实数字类别，最后返回计算分类是否正确的操作。