tensorflow实现机器学习模型的基本步骤

• 第一步：定义模型，即前向计算的流程，定义好之后就可以得到一个确定的计算图了，在这个步骤具体需要定义tf.placeholder：用来传入数据，tf.Variable：用来存放模型参数（tf.Variable在计算图中可以存储并更新）和具体的计算操作：
  示例：

x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

• 第二步，定义loss，并指定优化器
  示例：

y_ = tf.placeholder(tf.float32, [None, 10]) 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y), reduction_indices=[1])) #定义loss
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

• 第三步：传入数据并进行训练
  示例：

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run(feed_dict={x:batch_xs, y_: batch_ys})

• 第四步：使用测试集进行评测：
  示例：

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))