本章已机器学习领域的Hello World任务----MNIST手写识别做为TensorFlow的开始。MNIST是一个非常简单的机器视觉数据集，是由几万张28像素*28像素的手写数字组成，这些图片只包含灰度值信息。
下面提取了784维的特征，也就是2828个点展开成一维的结果，所以训练数据是一个55000784的Tensor，label是一个55000*10的tensor。当我们处理多分类任务时，通常需要使用Softmax Regression模型。它的工作原理很简单，将可以判定为某类的特征相加，然后将这些特征转化为判定是这一类的概率。其本质就是多类别逻辑回归。
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#从TensorFlow读取数据
print (mnist.train.images.shape,mnist.train.labels.shape)
print (mnist.test.images.shape,mnist.test.labels.shape)
print (mnist.validation.images.shape,mnist.validation.labels.shape)
import tensorflow as tf
sess = tf.InteractiveSession()#创建一个session，之后的运算都在这个session里，不同session的数据和运算是相互独立的
x = tf.placeholder(tf.float32,[None,784])#输入数据的地方，第一个参数是数据类型，第二个是tensor的shape
W = tf.Variable(tf.zeros([784,10]))#Variable是存储模型参数的，不同于存储数据的tensor一旦使用掉就消失，Variable在模型训练迭代过程中是持久化的。
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W)+b)#实现Softmax Regression算法
y_ = tf.placeholder(tf.float32,[None,10])#定义一个真实的label，与下面的结果做比较
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))#计算模型的loss
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#定义了损失函数之后，再定义一个优化算法，本代码使用SGD算法
tf.global_variables_initializer().run()#使用全局参数初始化器初始化参数
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)#每次选择100条数据
train_step.run({x:batch_xs,y_:batch_ys})#选择好数据之后用SGD算法做迭代
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))#比较预测结果是否准确
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#转化成准确率
print (accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))#输出结果，正确率为91.57%
