附MNIST数据集下载地址

（下载出问题请看：NameError: name 'mnist' is not defined解决方法）

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
 
# ---1. 加载数据---
# 修改为自己MNIST_data所在路径（从官网下载四个压缩包【不要解压】放在同一个文件夹【MNIST_data】里）
mnist = input_data.read_data_sets("D:/Python_code/Data/MNIST_data", one_hot=True)
 
# ---2. 构建回归模型---
 
# 定义回归模型
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b  # 预测值
 
# 定义损失函数和优化器
y_ = tf.placeholder(tf.float32, [None, 10]) # 输入的真实值的占位符
 
# softmax_cross_entropy_with_logits() 计算预测值与真实值的差值，并取均值
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))
# 采用SGD作为优化器
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
 
# ---3. 训练模型---
# InteractiveSession()创建交互式上下文的TensorFlow会话（与普通会话不同在于它会成为默认会话）
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
 
# Train
for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
 
# ---4. 评估模型---
 
# 计算预测值和真实值是否相等，tf.equal([1,2],[1,1]) = [True,False]
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 取平均值，tf.cast(x, type) 将x转化为type类型
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 计算模型在测试集上的准确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
 

运行结果：