最近要弄个简单的用于图像识别和提取图像特征值的 简单的bp神经网络，经过朋友推荐选择了TensorFlow（以下简称tf），tf是一款谷歌开源的神经网络库，功能非常强大，虽然笔者能力有限还没有仔细探索。
依据官网的教程一步步安装了tf库，注意，官网的教程是基于Python2.7的，并且需要最linux环境下运行，但是最新版本的tf已经支持py3.5了，并且在win环境下也能跑，笔者对linux不熟悉，所以选取了win作为开发环境。另推荐一款较好用的库管理文件，Anacondar，可以有效的管理不同的库和不同版本的Python。
闲话少说，进入正题。
关于MNIST的代码网上有许多，或者照着官网给的例子一步步敲也能敲出来，不需要什么数学功底，就是有细节要注意。
官网给的中文文档其实是有些过时了的，它给的例子里要求我们下载一段叫做 input_data.py的程序，这段程序的作用是将训练集导入，然后又给了一段代码，from …..input_data import *，笔者一开始想的是我的input_data已经在同一个目录下了，可不可以直接导入呢？就像这样 import inport_data ，结果总是报错，后来发现，由于tf版本更新的关系，原来官网提供的那段 input_data,已经过时了，api接口对不上了，新版本的tf中集成了这个函数 from tensorflow.examples.tutorials.mnist import input_data，
这才是新版本的接口。
接下来就可以直接运行了。附上笔者的代码
`#--coding:utf-8--
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)
import tensorflow as tf
x = tf.placeholder(“float”,[None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder(“float”, [None,10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
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})
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, “float”))
print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))`
另外还所需四个训练集，在官网有的下载。