'''
神经网络的过程：1、准备相应的数据库 2、定义输入成 3、定义输出层 4、定义隐藏层 5、训练（
根据误差进行训练） 6、对结果进行精确度评估
'''
import tensorflow as tf
#首先准备数据库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
'''
这里面的数据不仅仅有图像的像素，还有图像代表的信息
他有train的数据和test的数据
'''
#隐藏层
def add_layer(inputs,in_size,out_size,activation_function=None):
#定义权重,会影响结果的权重，他的值会改变的与真实数据差不多相同的结果
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
'''
其中in_size,out_size分别表示行，列
'''
#定义偏置,他的值不改变的，对数据处理的过程有作用
biases = tf.Variable(tf.zeros([1,out_size])+0.1)
#数据处理，在矩阵中，使得weights的值更加的接近真实结果
Wx_plus_b = tf.matmul(inputs,Weights)+biases
if activation_function==None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#定义输入层
x_data = placeholder(tf.float32,[None,784])
'''
其中None表示可以接受任意的样本，但是这个样本的列要是784
为什么是784呢？：784是一个样本的像素点。tensorflow的计算是一列一列计算的
'''
#定义输出层
y_data = placeholder(tf.float32,[None,10])
'''
其中的None与上面表示的意思一样
为什么10呢？：因为这是对0-9这10个数字的分类，他的一列中的数字最大的索引值表示代表的数字
'''
#训练层，数据改正,运用预测的结果和真是的结果相互比较，从中得到经验后学习
prediction = add_layer(x_data,784,10,activation_function=tf.nn.softmax)
'''
x_data:输入的真是数据
784：表示输入层一行有784列
10：表述输出层一行有10列
very important
****隐藏层里的设置参数是与输入层和输出层是有关，这个矩阵相乘，矩阵相加等是有联系的
这里只有输入层和输出层
'''
#预测值和真实值比较学习的方法适合激励函数是有关的
cross_entrop = tf.reduce_mean(-tf.reduce_sum(y_data*tf.log(prediction),reduction_indices=[1]))
'''
其中reduction_indices=[1]，表示一列一列的计算
'''
#训练
train_step = tf.train.GradientDesecentOptimiizer(0.5).minimize(cross_entrop)
'''
优化器：tf.train.GradientDesecentOptimiizer（梯度下降优化器）
minimize(cross_entrop):更改误差值即（train_step)
'''
#开始训练前，一定要所有的变量进行初始化，才能使用
init = tf.global_variables_initializer()
#开始训练.这里我才初始化
with tf.Session()as sess:
sess.run(init)#初始化所有的变量
for i in range(1000):#训练1000次
xs,ys = mnist.train.next_batch(100)
'''
从一大堆的数据中拿出100分数据
'''
sess.run(train_step,feed_dict={x_data:xs,y_data:ys})
'''
在tensorflow中sess.run()这个调度执行
为什么要用到y_data:因为在测试值和正确值比较时用到
'''
'''
上面的这些，是学习的过程，他已经因为有y_data这个正确值，他会有一定的程度知道
什么表示0，1，2，3，4，5，6，7，8，9了
'''
#为了知道他学习之后判别的效率，我们可以定义一个函数来查看
if i%100==0:
print(compute_accuracy(mnist.test.images,mnist.test.labels))
'''
其中mnist.test.images,mnist.test.labels这里表示的值是用来测试像素，用来测试的
正确值
'''
def compute_accuracy(xs,ys):
global prediction
y_data1 = sess.run(prediction,feed_dict={x_data:xs})
'''
用一个变量将predication的数据保存起来
'''
correct_prediction = tf.equal(tf.argmax(y_data1,1),tf.argmax(ys,1))
'''
tf.argmax 是一个非常有用的函数，它能给出某个tensor对象在某一维上的其数据最大值所在
的索引值。由于标签向量是由0,1组成，因此最大值1所在的索引位置就是类别标签，
比如tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值，而 tf.argmax(y_,1)
代表正确的标签，我们可以用 tf.equal 来检测我们的预测是否真实标签匹配
(索引位置一样表示匹配)这行代码会给我们一组布尔值。
'''
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
'''
为了确定正确预测项的比例，我们可以把布尔值转换成浮点数，
然后取平均值。例如，[True, False, True, True] 会变成 [1,0,1,1] ，取平均值后得到 0.75.
'''
result = sess.run(accuarcy,feed_dict={x_data:xs,y_data:ys})
return reslut