学习当然要从官方的入门文档开始。

但是这篇入门对于从0开始的初学者似乎有些困难，尤其是对于神经网络知识还是一知半解的。

敲完理解一遍还是懵逼。

 

TensorFlow经典入门代码学习备注如下。

import tensorflow as tfimport input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)# x不是一个特定的值，而是一个占位符placeholder# 这里的None表示此张量的第一个维度可以是任何长度的。# 784表示一个图片的像素总数# 表示一个输入源，二维组，第一维度不知道，第二维度是784.x = tf.placeholder("float", [None, 784])W = tf.Variable(tf.zeros([784, 10]))b = tf.Variable(tf.zeros([10]))y = tf.nn.softmax(tf.matmul(x, W) + b)# 计算交叉熵y_ = tf.placeholder("float", [None, 10])cross_entropy = -tf.reduce_sum(y_*tf.log(y))# 用梯度下降算法（gradient descent algorithm）以0.01的学习速率最小化交叉熵train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)# 初始化我们创建的变量init = tf.initialize_all_variables()# 在一个Session里面启动我们的模型，并且初始化变量sess = tf.Session()sess.run(init)# 模型循环训练1000次for i in range(1000):    batch_xs, batch_ys = mnist.train.next_batch(100)  # 随机抓取训练数据中的100个批处理数据点    # 用这些数据点作为参数替换之前的占位符来运行train_step.    # feed_dict  向…提供; 供…作食物    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})# 评估我们的模型# tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值# 而 tf.argmax(y_,1) 代表正确的标签，我们可以用 tf.equal# 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配）correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))# [True, False, True, True] 会变成 [1,0,1,1]accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

后面找了一本中文的《TensorFlow实战Google深度学习框架》来入门