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)

#手动下载数据后的读取方式
## MINST官网下载下来的4个压缩包放在工程的MNIST_data目录下
#from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
##  一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。
#mnist = read_data_sets("MNIST_data/", one_hot=True)

# 输入任意数量的MNIST图像，每一张图展平成784维的向量。None表示任意长度
x = tf.placeholder("float", [None, 784])

# Variable模型参数代表一个可修改的张量，存在在TensorFlow的用于描述交互性操作的图中。
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 损失函数，Softmax回归模型是logistic回归模型在多分类问题上的推广
y = tf.nn.softmax(tf.matmul(x, W) + b)

# y_是实际的分布
y_ = tf.placeholder("float", [None, 10])

# 计算交叉熵,tf.reduce_sum 计算张量的所有元素的总和。
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

# 模型训练方法,梯度下降算法,以0.01的学习率最小化交叉熵。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化创建的变量
init = tf.global_variables_initializer()

# 启动会话，并且初始化变量
sess = tf.Session()
sess.run(init)

# 开始训练模型,随机梯度下降训练
for i in range(1000):
    # 随机抓取训练数据中的100个批处理数据点
    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,argmax()给出tensor对象在某一维上数据最大值所在的索引值
# 检测预测是否和真实标签匹配(索引位置一样表示匹配)，返回布尔值
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

# 计算正确预测项的比例 cast()布尔值转换成浮点数，然后取平均值。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# 计算所学习到的模型在测试数据集上面的正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
#0.9216