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

# MNIST 데이터를 다운로드 한다.
# MAC OS에서 Certification Fail이 발생하면 터미널에 다음을 입력한다.
# /Applications/Python 3.6/Install Certificates.command
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# TensorFlow 라이브러리를 추가한다.
import tensorflow as tf

# 변수들을 설정한다.
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 차원이 다른 행렬을 큰 행렬의 크기로 늘려주는 브로드 캐스팅 기능 적용
y = tf.matmul(x, W) + b

# cross-entropy 모델을 설정한다.
y_ = tf.placeholder(tf.float32, [None, 10])

# 수학적으로 불안정한 계산이어서 tf.nn.softmax_cross_entropy_with_logits 함수로 대체
# tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.nn.softmax(y)), reduction_indices=[1]))
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# Gradient Descent로 모델을 학습한다.
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

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})

# 학습된 모델이 얼마나 정확한지를 출력한다.
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))