实现流程
1、准备数据
2、全连接结果计算
3、损失优化（梯度下降）
4、模型评估（计算准确性）
5、加入tensorboard图
6、使用训练后的模型进行预测
1 def full_connect(): 2 #使用占位符时，tersorflow2.X以上会出现tf.placeholder() is not compatible with eager execution报错，需要加下面这段语，避免程序报此错误。 3 tf.compat.v1.disable_eager_execution() 4 #获取真实的数据 5 mnist = input_data.read_data_sets("./tmp/mnist/", one_hot=True) 6 #1、建立数据的占位符 ，X[None,784] y_true [None,10] 7 with tf.compat.v1.variable_scope(\'data\'): 8 x=tf.compat.v1.placeholder(tf.float32,[None,784]) 9 y_true=tf.compat.v1.placeholder(tf.int32,[None,10]) 10 11 #2、建立一个全链接层的神经网络 w[784,10],b=[10] 12 with tf.compat.v1.variable_scope(\'fc_model\'): 13 #随机初始化权重和偏置，权重和偏置后面会跟着训练自动优化 14 weight=tf.Variable(tf.compat.v1.random_normal([784,10],mean=0.0,stddev=1.0),name=\'weight\') 15 bias=tf.Variable(tf.constant(0.0,shape=[10])) 16 #预测Nonew个样本的输出结果matrix [None,784]*[784*10]+[10]=[None,10]，即矩阵[None,784]样本的特征*权重[784，10]+偏置[10]=预测结果[None,10] 17 y_predict=tf.matmul(x,weight)*bias 18 #计算交叉熵损失 19 with tf.compat.v1.variable_scope(\'soft_cross\'): 20 #返回交叉熵的列表结果，对交叉熵求平均值 21 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict)) 22 23 #梯度下降求出损失 24 with tf.compat.v1.variable_scope(\'optimizer\'): 25 train_op=tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss) 26 #5、计算准确率,预测准确置为1 27 with tf.compat.v1.variable_scope(\'acc\'): 28 #equal_list None个样本[1，0，1，1,.....] 29 equal_list=tf.equal(tf.argmax(y_true,1),tf.argmax(y_predict,1)) 30 accuray=tf.reduce_mean(tf.cast(equal_list,tf.float32)) 31 #收集变量，单个数字值收集 32 tf.compat.v1.summary.scalar("losses",loss) 33 tf.compat.v1.summary.scalar("acc", accuray) 34 35 #高纬度变量收集 36 tf.compat.v1.summary.histogram(\'weight\',weight) 37 tf.compat.v1.summary.histogram(\'biases\',bias) 38 39 #定义一个合并的op 40 merged=tf.compat.v1.summary.merge_all() 41 42 #因为有变量，故要定义初始化变量的op 43 init_op=tf.compat.v1.global_variables_initializer() 44 #开启回话去训练 45 with tf.compat.v1.Session() as sess: 46 #初始化变量 47 sess.run(init_op) 48 filewriter=tf.compat.v1.summary.FileWriter(\'./tmp/summary/test/\',graph=sess.graph) 49 #迭代步数去训练 ，更新参数预测 50 for i in range(2000): 51 mnist_x,mnist_y=mnist.train.next_batch(50) 52 #feed_dict实时提供的数据 x训练集，y为真实的目标值 53 #运行op训练 54 sess.run(train_op,feed_dict={x:mnist_x,y_true:mnist_y}) 55 #写入每步训练的值 56 summary=sess.run(merged,feed_dict={x:mnist_x,y_true:mnist_y}) 57 filewriter.add_summary(summary,i) 58 59 print(\'训练第%d步，准确率为:%f\'%(i,sess.run(accuray,feed_dict={x:mnist_x,y_true:mnist_y}))) 60 return None
注意：在tensorflow2.X版本，如果出现报No module named \'tensorflow.examples.tutorials\' ，手动下载tutorials文件包，并放到本地电脑tersorflow/examples目录下。
下载链接：https://share.weiyun.com/fpYSBj4X 密码：qu73et
出现报错tensorflow报AttributeError: __enter__,将tf.compat.v1.Session后面加上括号()
在以上的代码基础上增加一下代码（红色字体）
FLAGS=tf.compat.v1.flags.FLAGS tf.compat.v1.flags.DEFINE_integer("is_train",1,\'指定程序是预测还是训练\') #开启回话去训练 with tf.compat.v1.Session() as sess: #初始化变量 sess.run(init_op) filewriter=tf.compat.v1.summary.FileWriter(\'./tmp/summary/test/\',graph=sess.graph) #迭代步数去训练 ，更新参数预测 if FLAGS.is_train ==1: for i in range(2000): mnist_x,mnist_y=mnist.train.next_batch(50) #feed_dict实时提供的数据 x训练集，y为真实的目标值 #运行op训练 sess.run(train_op,feed_dict={x:mnist_x,y_true:mnist_y}) #写入每步训练的值 summary=sess.run(merged,feed_dict={x:mnist_x,y_true:mnist_y}) filewriter.add_summary(summary,i) print(\'训练第%d步，准确率为:%f\'%(i,sess.run(accuray,feed_dict={x:mnist_x,y_true:mnist_y}))) #保存模型 saver.save(sess,"./tmp/ckpt/tc_model") else: #加载模型，如果不加载模型，则参数不会被新的覆盖 saver.restore(sess,\'./tmp/ckpt/tc_model\') #如果是0，做出预测 for i in range(100): #每次测试一张图片[0,0,0,1,0,..0] x_test,y_test=mnist.test.next_batch(1) print(\'第%d张图片，手写数字目标是%d,预测结果是：%d\'%(i, tf.argmax(y_test,1).eval(), #图片与预测值的概率，再求其最大概率值 tf.argmax( sess.run(y_predict,feed_dict={x:x_test,y_true:y_test}),1).eval())) return None
cmd运行程序结果如下：