1. tf.matmul(X, w) # 进行点乘操作
参数说明：X，w都表示输入的数据，
2.tf.equal(x, y) # 比较两个数据对应位置的数是否相等，返回值为True，或者False
参数说明：x，y表示需要比较的两组数
3.tf.cast(y, 'float') # 将布尔类型转换为数字类型
参数说明：y表示输入的数据，‘float’表示转换的数据类型
4.tf.argmax(y, 1) # 返回每一行的最大值的索引
参数说明：y表示输入数据，1表示每一行的最大值的索引，0表示每一列最大值得索引
5.tf.nn.softmax(y) # 对每一行数据，按照softmax方式，计算其概率值
参数说明：y表示输入的数据
6.tf.train.GradientDescentOptimizer(0.05).minimize(loss) # 对损失值采用梯度下降的方法进行降低操作
参数说明：0.05表示学习率的大小，loss表示损失值
代码说明：相较于上一个线性拟合的代码，逻辑回归的代码，使用了tf.placeholder()进行数据输入的占位，
预测结果等价于tf.matmul(X, w) + b，作为预测结果
代码：
第一步：载入mnist数据集
第二步：超参数的设置，包括输入样本的维度，分类的类别数，一个batch的大小，以及迭代的次数
第三步：使用tf.placeholder() 构造X特征和y标签
第四步：使用tf.Variable(tf.random_normal([inputSize, num_classes]))构造W和b
第五步：使用tf.matmul获得预测得分值，使用tf.nn.softmax() 将得分值转换为概率值
第六步：使用L2损失值，即均分误差作为损失值
第七步：使用tf.train.GradientDescentOptimizer(learning_rate=0.05).minimize(loss), 对损失值进行梯度下降
第八步：使用tf.equal(tf.argmax(y_pred), tf.argmax(y)) 获得两个标签的最大值索引是否一致，再使用tf.reduce_mean(tf.cast()) 计算准确率
第九步：循环，使用mnist.train.next_batch进行训练数据的部分数据的读取
第十步：sess.run([optm, loss], feed_dict={X:batch[0], y:batch[1]}) # 执行损失值和梯度下降降低损失值，从而更新参数
第十一步：每迭代1000次，打印部分数据的准确率
第十二步：打印测试数据部分的准确率
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data # 第一步：mnist数据集的载入
mnist = input_data.read_data_sets('/data', one_hot=True) # 第二步：初始超参数的设置
# 输入层的维度
inputSize = 784
# 分类的类别数
num_classes = 10
# 每一次参数更新的batchSize
batch_size = 64
# 循环的次数
trainIteration = 50000 # 第三步：输入数据初始化操作， 进行一个占位操作
# X的维度为[-1, inputSize]
X = tf.placeholder(tf.float32, [None, inputSize])
# y的维度为[-1, num_classes]
y = tf.placeholder(tf.float32, [None, num_classes])
# 第四步：变量的初始化操作
# W1进行正态参数初始化，维度为[inputSize, num_classes]
W1 = tf.Variable(tf.random_normal([inputSize, num_classes], stddev=0.1))
# b1进行全零初始化，维度为[num_classes]
b1 = tf.Variable(tf.zeros([num_classes]))
# 第五步：使用tf.matmul进行预测操作, 使用softmax计算概率值，扩大类别差距
y_pred = tf.nn.softmax(tf.matmul(X, W1) + b1)
# 第六步：使用L2 loss计算损失值, tf.reduce_mean求出所有的损失值的平均值
loss = tf.reduce_mean(tf.square(y-y_pred))
# 第七步:使用梯度下降法，对loss进行降低
opt = tf.train.GradientDescentOptimizer(learning_rate=0.05).minimize(loss)
# 第八步：判断预测结果的最大值和真实值之间是否相等，使用True和False表示
correct_pred = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y, 1))
# 使用tf.cast将布尔类型转换为float类型，使用reduce_mean求平均值
accr = tf.reduce_mean(tf.cast(correct_pred, 'float'))
# 变量初始化
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init) for i in range(trainIteration):
# 第九步：使用mnist.train.next_batch 获得一个batch的数据
bacth = mnist.train.next_batch(batch_size)
# 第十步：使用sess.run执行梯度下降和loss操作，输入的参数为batch_X和batch_y数据
_, loss = sess.run([opt, loss], feed_dict={X:bacth[0], y:bacth[1]})
# 第十一步：如果迭代1000次，打印当前训练数据的准确率
if i % 1000 == 0:
print('train accr %g'%(sess.run(accr, feed_dict={X:bacth[0], y:bacth[1]})))
# 第十二步：打印测试数据的batch_size的准确率
batch = mnist.test.next_batch(batch_size)
print('test accr %g'%(sess.run(accr, feed_dict={X: batch[0], y: batch[1]})))