本文主要是介绍【拔刀吧 TensorFlow】TensorFlow学习笔记三，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
书接上回那颗蓝色药丸。
现在我们知道，MNIST数据库结构为：
其中每张手写数字图片的分辨率为28x28，即28像素。在看过吴恩达老师的深度学习入门课程后知道，28x28像素的图片其实就是一个28行×28列的矩阵。对于灰度图像（只有一个色彩通道时），根据亮度的不同，图像对应位置矩阵的值也不同。引用官方的图片便一目了然：
随后，将这个矩阵变成1行784（28×28）列的向量，而在示例程序中使用softmax regression来处理这些向量。这样就将一个二维图形进行了降维，变成了一维向量，官方同时给出了一个可视化的降维页面，戳这里。
根据上述降维原理，那么mnist.train.images拥有60，000个图片，就变为了60，000行×784列的张量。那么将行列看成坐标，则第一个坐标为图片索引（就是告诉你用了第几个图片(￣▽￣)／），第二个坐标为该图片中像素点，并且这些像素点的强度（取值）介于0到1之间。
而标签，我们前面已经将数据集解析了，可以很清楚的看到它的芳容：
仔细看的话，标签的结尾是0,1,2,3,4,5,6，刚好与训练集的图片相对应（这不是巧合┐(‘д’)┌）。
为了与官方教程相匹配，使用了一个叫做“one-hot vectors”的向量来表示mnist.train.labels，而0——9可以表示如下：
0：[1,0,0,0,0,0,0,0,0,0]
1：[0,1,0,0,0,0,0,0,0,0]
2：[0,0,1,0,0,0,0,0,0,0]
3：[0,0,0,1,0,0,0,0,0,0]
……
以此类推，按照自己的理解，1或0就是可能性，因为已经是标签了，所以每个数字对应的可能性都是100%。
那么，mnist.train.labels自然就变成了一个60,000行×10列的矩阵。
铺垫至此，就可以开始构建神经网络模型啦！✿✿ヽ(°▽°)ノ✿
这篇关于【拔刀吧 TensorFlow】TensorFlow学习笔记三的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
