# -*- coding: utf-8 -*-

import tensorflow as tf

#导入input_data用于自动下载和安装MNIST数据集

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#放置占位符，用于在计算时接收输入值x = tf.placeholder("float", [None, 784])

#创建两个变量，分别用来存放权重值W和偏置值b

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

#使用Tensorflow提供的回归模型softmax，y代表输出y = tf.nn.softmax(tf.matmul(x, W) + b)

#为了进行训练，需要把正确值一并传入网络

y_ = tf.placeholder("float", [None,10])

#计算交叉墒

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

#使用梯度下降算法以0.01的学习率最小化交叉墒

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#初始化之前创建的变量的操作

init = tf.initialize_all_variables()

#启动初始化

sess = tf.Session()

sess.run(init)

#开始训练模型，循环1000次，每次都会随机抓取训练数据中的100条数据，然后作为参数替换之前的占位符来运行train_step

for i in range(1000):

batch_xs, batch_ys = mnist.train.next_batch(100)

sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#评估模型，tf.argmax能给出某个tensor对象在某一维上数据最大值的索引。因为标签是由0,1组成了one-hot vector，返回的索引就是数值为1的位置

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

#计算正确预测项的比例，因为tf.equal返回的是布尔值，使用tf.cast可以把布尔值转换成浮点数，tf.reduce_mean是求平均值

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

#在session中启动accuracy，输入是MNIST中的测试集

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})