在基本跑完识别代码后，再来谈一谈自己对代码的理解；

1      前向传播过程文件（mnist_forward.py）

第一个函数get_weight(shape, regularizer);

定义了w的初值和正则化损失加入losses中

第二个函数get_bias(shape):

对参数b进行设定

第三个函数forward(x, regularizer):

加入激活函数tf.nn.relu(tf.matmul(x, w1) + b1)

对输出y进行设定

此段代码在前面博客中讲过，比较简单，就不再过多叙述

2   反向传播过程文件（mnist_backward.py） 

 ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))

在计算交叉熵之前，通常要用到softmax层来计算结果的概率分布。因为softmax层并不会改变最终的分类结果（排序），所以，tensorflow将softmax层与交叉熵函数进行封装，形成一个函数方便计算：                                                           tf.nn.softmax_cross_entropy_with_logits（logits= , labels=）。

为了加速计算过程，针对只有一个正确答案（例如MNIST识别）的分类问题

这里用到softmax（）函数；可以参考我前面博文。地址：  https://www.cnblogs.com/fcfc940503/p/10983906.html https://www.cnblogs.com/fcfc940503/p/10985129.html

读入数据

xs, ys = mnist.train.next_batch(BATCH_SIZE)

            _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})

用 mnist.train.next_batch(BATCH_SIZE)随机从训练集中抽取BATCH_SIZE个样本输入神经网络；feed_dict={x: xs, y_: ys}喂入x和y_;

测试过程文件（mnist_test.py）     在测试过程中，导入了引入 time 模块、tensorflow、input_data、前向传播mnist_forward、反向传播 mnist_backward 模块和 os 模块，并规定程序 5 秒的循环间隔时间。

with tf.Graph().as_default() as g：

     此函数利用tf.Graph()复现之前定义的计算图，就是将定义好的神将网络在计算图中复现

        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

此函数是计算模型在测试集上的准确率；

其中

y 表示在一组数据（即 batch_size 个数据）上神经网络模型的预测结果，y 的形状为[batch_size,10]，每一行表示一张图片的识别结果。通过tf.argmax()函数取出每张图片对应向量中最大值元素对应的索引值，组成长度为输入数据 batch_size 个的一维数组。通过 tf.equal()函数判断预测结果张量和实际标签张量的每个维度是否相等，若相等则返回 True，不 相等则返回 False。

通过 tf.cast() 函数将得到的布 尔 型 数 值 转 化 为 实 数 型 ，

再通过tf.reduce_mean()函数求平均值，最终得到神经网络模型在本组数据上的准确率

以上内容主要讲解mnist 数据集的识别源码中我认为不好理解或者还没理解的内容，主要目的是为了熟悉该代码的框架和相关内容。

以实例来增进知识的了解我认为更好吸收