1.3 总结

本章中首先介绍了MNIST数据集，以及如何使用TensorFlow把它读到内存中。接着通过一个简单的 Softmax 回归模型例子，学习如何使用TensorFlow建立简单的图像识别模型。虽然Softmax回归模型只能达到92%左右的准确率，但它让我们了解了使用 TensorFlow 处理问题的基本流程。最后，我们使用TensorFlow建立了有两层卷积层的神经网络，将MNIST的识别准确率提高到99%。

拓展阅读

本章介绍的MNIST数据集经常被用来检验机器学习模型的性能，在它的官网（地址：http：//yann.lecun.com/exdb/mnist/）中，可以找到多达 68 种模型在该数据集上的准确率数据，包括相应的论文出处。这些模型包括线性分类器、K 近邻方法、普通的神经网络、卷积神经网络等。

本章的两个 MNIST 程序实际上来自于 TensorFlow 官方的两个新手教程，地址为 https：//www.tensorflow.org/get_started/mnist/beginners和 https：//www.tensorflow.org/get_started/mnist/pros。读者可以将本书的内容和官方的教程对照起来进行阅读。这两个新手教程的中文版地址为http：//www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html和http：//www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html。

本章简要介绍了TensorFlow的tf.Tensor类。tf.Tensor类是TensorFlow的核心类，常用的占位符（tf.placeholder）、变量（tf.Variable）都可以看作特殊的 Tensor。读者可以参阅 https：//www.tensorflow.org/programmers_guide/tensors来更深入地学习它的原理。

常用tf.Variable类来存储模型的参数，读者可以参阅https：//www.tensorflow.org/programmers_guide/variables详细了解它的运行机制，文档的中文版地址为http：//www.tensorfly.cn/tfdoc/how_tos/variables.html。

只有通过会话（Session）才能计算出tf.Tensor的值。强烈建议读者在学习完tf.Tensor和tf.Variable后，阅读https：//www.tensorflow.org/programmers_guide/graphs 中的内容，该文档描述了TensorFlow中计算图和会话的基本运行原理，对理解TensorFlow的底层原理有很大帮助。 Cnl1jkscTWvfOn0nJMAXnh0PdwviWiRApPPBzWbBHFELiIdKFQPt7R3+oszloi5G