主要步骤
1、下载数据集，mnist数据集，可以直接去Lecun官网下载
mnist数据集介绍可以参考这篇文章：MNIST数据集下载及可视化
2、获取mnist数据集操作的python包，github上有
3、编写代码，包括模型、训练和评估，利用训练集训练网络模型，利用测试集测试结果
关于模型的介绍可以参考这篇文章：MNIST机器学习入门
具体代码如下所示，经过调试可用，注意导入操作mnist数据集的python包和配置正确的数据集路径：
代码执行结果：loss is: 3142.896240234375，acc is:0.9110999703407288
import tensorflow from tf
from TensorflowTest.mnist import imput_data#读取mnist数据集
mnist=input_data.read_data_sets('../../MNIST_data',one_hot=True)#图像输入，占位符，类似于函数变量
x=tf.placeholder('float',[None,784])
#图像标签，目标输出，占位符，类似于函数变量
yLabel=tf.placeholder('float',[None,10])#网络权值参数，待训练拟合
w=tf.Variable(tf.zeros([784,10]))
#偏置参数，待训练拟合
b=tf.Variable(tf.zeros([10]))
#根据网络模型实际输出
y=tf.nn.softmax(tf.matmul(x,w)+b)#损失函数，代价函数，类似机器学习中的准则函数
loss=-tf.reduce_sum(yLabel*tf.log(y))
#优化器采用梯度下降，优化准则为最小化损失函数
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(loss)#模型预测正确与否的序列
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(yLabel,1))
#模型预测的正确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,'float'))#tensorflow中的变量初始化，这是基础
init=tf.global_variables_initializer()
with tf.Session() as sess:with tf.device("/cpu:0"):sess.run(init)for i in range(1000):batch_xs,batch_ys=mnist.train.next_batch(100)#使用训练集的batch执行训练sess.run(train_step,feed_dict={x:batch_xs,yLabel:batch_ys})#使用测试集计算模型损失值和预测正确率lossValue,accuracyValue=sess.run([loss,accuracy],feed_dict={x:mnist.test.images,yLabel:mnist.test.labels})#使用测试集计算模型的预测结果prediction_result=sess.run(tf.argmax(y,1),feed_dict={x:mnist.test.images})#打印模型最终的损失值和计算结果print("loss is ：{0},acc is:{1} ".format(lossValue,accuracyValue))