tensorflow怎么读取手写数字集并输出的代码

以下是使用TensorFlow读取手写数字集并输出的示例代码：

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

# 读取手写数字集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 创建输入和输出变量
x = tf.placeholder(tf.float32, [None, 784])  # 输入变量，每张图片大小为28x28=784像素
y_actual = tf.placeholder(tf.float32, shape=[None, 10])  # 输出变量，每个数字对应一个长度为10的向量

# 定义模型
W = tf.Variable(tf.zeros([784, 10]))  # 权重
b = tf.Variable(tf.zeros([10]))  # 偏置
y_predict = tf.nn.softmax(tf.matmul(x, W) + b)  # 预测值

# 定义损失函数和优化器
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_actual * tf.log(y_predict), reduction_indices=[1]))  # 交叉熵
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  # 梯度下降优化器

# 定义准确率计算方法
correct_prediction = tf.equal(tf.argmax(y_predict, 1), tf.argmax(y_actual, 1))  # 判断预测值和实际值是否相等
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 计算准确率

# 开始训练模型
init = tf.global_variables_initializer()  # 初始化变量
sess = tf.Session()  # 创建会话
sess.run(init)  # 执行初始化

for i in range(1000):  # 训练1000次
    batch_xs, batch_ys = mnist.train.next_batch(100)  # 每次训练随机抽取100个样本
    sess.run(train_step, feed_dict={x: batch_xs, y_actual: batch_ys})  # 执行训练

    if i % 50 == 0:  # 每50次输出一次准确率
        train_accuracy = sess.run(accuracy, feed_dict={x: batch_xs, y_actual: batch_ys})
        print("Step %d, training accuracy %g" % (i, train_accuracy))

# 输出最终准确率
test_accuracy = sess.run(accuracy, feed_dict={x: mnist.test.images, y_actual: mnist.test.labels})
print("Test accuracy %g" % test_accuracy)

sess.close()  # 关闭会话

此代码使用TensorFlow的MNIST数据集来训练一个简单的多分类模型。在训练过程中，每次随机抽取100个样本进行训练，并计算准确率。最终输出测试集上的准确率。