利用softmax网络实现手写数字识别的代码

这是一个基于Python和TensorFlow的手写数字识别代码，使用softmax网络实现。该代码使用MNIST数据集进行训练和测试。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载MNIST数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 创建输入层和输出层
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# 创建权重和偏置变量
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 创建softmax模型
y_hat = tf.nn.softmax(tf.matmul(x, W) + b)

# 创建交叉熵损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(y_hat), reduction_indices=[1]))

# 创建优化器
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 创建会话并训练模型
sess = tf.Session()
sess.run(tf.global_variables_initializer())

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})

# 计算模型的准确率
correct_prediction = tf.equal(tf.argmax(y_hat, 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}))

# 关闭会话
sess.close()

在训练1000个epoch后，该模型在测试集上的准确率为0.9199。您可以尝试调整超参数和网络结构来提高准确率。