# coding:utf-8
# 導(dǎo)入tensorflow举户。
# 這句import tensorflow as tf是導(dǎo)入TensorFlow約定俗成的做法罐栈，請大家記住检柬。
import tensorflow as tf
# 導(dǎo)入MNIST教學(xué)的模塊
from tensorflow.examples.tutorials.mnist import input_data
# 與之前一樣椅邓，讀入MNIST數(shù)據(jù)
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 創(chuàng)建x贸铜，x是一個(gè)占位符（placeholder）耙箍，代表待識(shí)別的圖片
x = tf.placeholder(tf.float32, [None, 784])

# W是Softmax模型的參數(shù)，將一個(gè)784維的輸入轉(zhuǎn)換為一個(gè)10維的輸出
# 在TensorFlow中瞬痘，變量的參數(shù)用tf.Variable表示
W = tf.Variable(tf.zeros([784, 10]))
# b是又一個(gè)Softmax模型的參數(shù)故慈，我們一般叫做“偏置項(xiàng)”（bias）。
b = tf.Variable(tf.zeros([10]))

# y=softmax(Wx + b)框全，y表示模型的輸出
y = tf.nn.softmax(tf.matmul(x, W) + b)

# y_是實(shí)際的圖像標(biāo)簽察绷，同樣以占位符表示。
y_ = tf.placeholder(tf.float32, [None, 10])

# 至此津辩，我們得到了兩個(gè)重要的Tensor：y和y_拆撼。
# y是模型的輸出，y_是實(shí)際的圖像標(biāo)簽喘沿，不要忘了y_是獨(dú)熱表示的
# 下面我們就會(huì)根據(jù)y和y_構(gòu)造損失

# 根據(jù)y, y_構(gòu)造交叉熵?fù)p失
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y)))

# 有了損失闸度，我們就可以用隨機(jī)梯度下降針對模型的參數(shù)（W和b）進(jìn)行優(yōu)化
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 創(chuàng)建一個(gè)Session。只有在Session中才能運(yùn)行優(yōu)化步驟train_step蚜印。
sess = tf.InteractiveSession()
# 運(yùn)行之前必須要初始化所有變量莺禁，分配內(nèi)存。
tf.global_variables_initializer().run()
print('start training...')

# 進(jìn)行1000步梯度下降
for _ in range(1000):
    # 在mnist.train中取100個(gè)訓(xùn)練數(shù)據(jù)
    # batch_xs是形狀為(100, 784)的圖像數(shù)據(jù)窄赋，batch_ys是形如(100, 10)的實(shí)際標(biāo)簽
    # batch_xs, batch_ys對應(yīng)著兩個(gè)占位符x和y_
    batch_xs, batch_ys = mnist.train.next_batch(100)
    # 在Session中運(yùn)行train_step哟冬，運(yùn)行時(shí)要傳入占位符的值
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# 正確的預(yù)測結(jié)果
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 計(jì)算預(yù)測準(zhǔn)確率楼熄，它們都是Tensor
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 在Session中運(yùn)行Tensor可以得到Tensor的值
# 這里是獲取最終模型的正確率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))  # 0.9185