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

#载入数据集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

#输入的图片是28*28
n_inputs=28 #输入一行，一行有28个数据
max_time=28 #一共28行
lstm_size=100 #隐层单元
n_classes=10 #10个分类
batch_size=50 #每批次50个样本
n_batch=mnist.train.num_examples // batch_size #计算一共有多少批次

#这里的none表示第一维度可以是任意的长度
x=tf.placeholder(tf.float32,[None,784])
#正确的标签
y=tf.placeholder(tf.float32,[None,10])

#初始化权值
weights=tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
#初始化偏执值
biases=tf.Variable(tf.constant(0.1,shape=[n_classes]))

#定义RNN网络
def RNN(X,weight,biases):
    inputs=tf.reshape(X,[-1,max_time,n_inputs])
    #定义LSTM基本CELL
    lstm_cell=tf.contrib.rnn.BasicLSTMCell(lstm_size)
    outputs,final_state=tf.nn.dynamic_rnn(lstm_cell, inputs,dtype=tf.float32)
    results=tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)
    return results

#计算rnn的返回结果
prediction=RNN(x, weights, biases)
#损失函数
cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))
#使用AdamOptimizer进行优化
trian_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置
#求准确率
accuarcy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #把correct_prediction变为float32类型
#初始化
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(6):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(trian_step, feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuarcy, feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print ("Iter "+str(epoch)+", Testing Accuarcy= " + str(acc))

运行结果：

目录：

tensorflow简介、目录
tensorflow中的图（02-1）
tensorflow变量的使用（02-2）
tensorflow中的Fetch、Feed（02-3）
tensorflow版helloworld—拟合线性函数的k和b（02-4）
tensorflow非线性回归（03-1）
MNIST手写数字分类simple版（03-2）
二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
多层网络通过防止过拟合，增加模型的准确率（04-2）
修改优化器进一步提升准确率（04-3）
手写数字识别-卷积神经网络cnn（06-2）
循环神经网络rnn与长短时记忆神经网络简述（07-2）
循环神经网络lstm代码实现（07-3）
tensorflow模型保存和使用08
下载inception v3  google训练好的模型并解压08-3
使用inception v3做各种图像分类识别08-4
word2vec模型训练简单案例
word2vec+textcnn文本分类简述及代码