本文實例為大家分享了用簡單的神經網絡來訓練和測試的具體代碼，供大家參考，具體內容如下

剛開始學習tf時，我們從簡單的地方開始。卷積神經網絡（CNN）是由簡單的神經網絡（NN）發展而來的，因此，我們的第一個例子，就從神經網絡開始。

神經網絡沒有卷積功能，只有簡單的三層：輸入層，隱藏層和輸出層。

數據從輸入層輸入，在隱藏層進行加權變換，最后在輸出層進行輸出。輸出的時候，我們可以使用softmax回歸，輸出屬于每個類別的概率值。借用極客學院的圖表示如下：

其中，x1,x2,x3為輸入數據，經過運算后，得到三個數據屬于某個類別的概率值y1,y2,y3. 用簡單的公式表示如下：

在訓練過程中，我們將真實的結果和預測的結果相比（交叉熵比較法），會得到一個殘差。公式如下：

y是我們預測的概率值,y'是實際的值。這個殘差越小越好，我們可以使用梯度下降法，不停地改變W和b的值，使得殘差逐漸變小，最后收斂到最小值。這樣訓練就完成了，我們就得到了一個模型（W和b的最優化值）。

完整代碼如下：

import tensorflow as tfimport tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)x = tf.placeholder(tf.float32, [None, 784])y_actual = tf.placeholder(tf.float32, shape=[None, 10])W = tf.Variable(tf.zeros([784,10]))    #初始化權值Wb = tf.Variable(tf.zeros([10]))      #初始化偏置項by_predict = tf.nn.softmax(tf.matmul(x,W) + b)   #加權變換并進行softmax回歸，得到預測概率cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_actual*tf.log(y_predict),reduction_indies=1))  #求交叉熵train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)  #用梯度下降法使得殘差最小correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))  #在測試階段，測試準確度計算accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))        #多個批次的準確度均值init = tf.initialize_all_variables()with tf.Session() as sess:  sess.run(init)  for i in range(1000):        #訓練階段，迭代1000次    batch_xs, batch_ys = mnist.train.next_batch(100)      #按批次訓練，每批100行數據    sess.run(train_step, feed_dict={x: batch_xs, y_actual: batch_ys})  #執行訓練    if(i%100==0):         #每訓練100次，測試一次      print "accuracy:",sess.run(accuracy, feed_dict={x: mnist.test.images, y_actual: mnist.test.labels})

每訓練100次，測試一次，隨著訓練次數的增加，測試精度也在增加。訓練結束后，1W行數據測試的平均精度為91%左右，不是太高，肯定沒有CNN高。