#下载Mnist数据集

import tensorflow.examples.tutorials.mnist.input_data

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#Tensorflow实现回归模型

import tensorflow as tf

#定义变量为float型，行因为不确定先给无穷大None；列给28*28=784

x = tf.placeholder("float", [None, 784])

y_ = tf.placeholder("float", [None,10])

#向量相乘y = wx + b，w的行即为x的列，否则无法相乘；输出大小给10（因为是一个10分类任务）

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

#逻辑回归模型

#nn模块下的softmax解决多分类问题，参数：是一个预测值，即wx+b会计算出一个分值

#softmax 完成归一化操作

#得到的y是一个预测结果

y = tf.nn.softmax(tf.matmul(x, W) + b)

#计算损失值：-log(p)；求均值：reduce_mean

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y)), reduction_indices=1))

#训练模型

#优化器使用梯度下降

learning_rate = 0.01    #学习率

train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)

init = tf.initialize_all_variables()

sess = tf.Session()

sess.run(init)

for i in range(1000):

    batch_xs, batch_ys = mnist.train.next_batch(100)

    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#评估模型

#比较一下预测值和这个标记的Label值，如果一致返回true，否则返回false

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

#计算准确率tf.cast

#计算均值tf.reduce_mean

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

arr = np.array([

    [31,23,4,24,27,34],[18,3,25,0,6,35],[28,14,33,22,20,8]

])

#按列找出每列的最大值的索引 0按列 1按行

tf.argmax(arr, 0).eval()

#计算矩阵的维数

tf.rank(arr).eval()

#计算矩阵的行和列

tf.shape(arr).eval()