github博客传送门
csdn博客传送门
本章所需知识:
- 没有基础的请观看深度学习系列视频
- tensorflow
- Python基础
资料下载链接:
- 深度学习基础网络模型(mnist手写体识别数据集)
MNIST数据集手写体识别(MLP实现)
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data # 导入下载数据集手写体
mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)
class MLPNet: # 创建一个MLPNet类
def __init__(self):
self.x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name='input_x') # 创建一个tensorflow占位符(稍后传入图片数据),定义数据类型为tf.float32,形状shape为 None为批次 784为数据集撑开的 28*28的手写体图片 name可选参数
self.y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_label') # 创建一个tensorflow占位符(稍后传入图片标签), name可选参数
self.w1 = tf.Variable(tf.truncated_normal(shape=[784, 100], dtype=tf.float32, stddev=tf.sqrt(1 / 100))) # 定义全链接 第一层/输入层 变量w/神经元w/特征数w 为截断正态分布 形状shape为[784, 100](100个神经元个数的矩阵), stddev(标准差的值 一般情况为sqrt(1/当前神经元个数))
self.b1 = tf.Variable(tf.zeros([100], dtype=tf.float32)) # 定义变量偏值b 值为零 形状shape为 [100] 当前层w 的个数, 数据类型 dtype为tf.float32
self.w2 = tf.Variable(tf.truncated_normal(shape=[100, 10], dtype=tf.float32, stddev=tf.sqrt(1 / 10))) # 定义全链接 第二层/输出层 变量w/神经元w/特征数w 为截断正态分布 形状为[上一层神经元个数, 当前输出神经元个数] 由于我们是识别十分类问题,手写体 0,1,2,3,4,5,6,7,8,9所以我们选择十个神经元 stddev同上
self.b2 = tf.Variable(tf.zeros([10], dtype=tf.float32)) # 设置原理同上
# 前向计算
def forward(self):
self.forward_1 = tf.nn.relu(tf.matmul(self.x, self.w1) + self.b1) # 全链接第一层
self.forward_2 = tf.nn.relu(tf.matmul(self.forward_1, self.w2) + self.b2) # 全链接第二层
self.output = tf.nn.softmax(self.forward_2) # softmax分类器分类
# 后向计算
def backward(self):
self.cost = tf.reduce_mean(tf.square(self.output - self.y)) # 定义均方差损失
self.opt = tf.train.AdamOptimizer().minimize(self.cost) # 使用AdamOptimizer优化器 优化 self.cost损失函数
# 计算识别精度
def acc(self):
# 将预测值 output 和 标签值 self.y 进行比较
self.z = tf.equal(tf.argmax(self.output, 1, name='output_max'), tf.argmax(self.y, 1, name='y_max'))
# 最后对比较出来的bool值 转换为float32类型后 求均值就可以看到满值为 1的精度显示
self.accaracy = tf.reduce_mean(tf.cast(self.z, tf.float32))
if __name__ == '__main__':
net = MLPNet() # 启动tensorflow绘图的MLPNet
net.forward() # 启动前向计算
net.backward() # 启动后向计算
net.acc() # 启动精度计算
init = tf.global_variables_initializer() # 定义初始化tensorflow所有变量操作
with tf.Session() as sess: # 创建一个Session会话
sess.run(init) # 执行init变量内的初始化所有变量的操作
for i in range(10000): # 训练10000次
ax, ay = mnist.train.next_batch(100) # 从mnist数据集中取数据出来 ax接收图片 ay接收标签
loss, accaracy, _ = sess.run(fetches=[net.cost, net.accaracy, net.opt], feed_dict={net.x: ax, net.y: ay}) # 将数据喂进神经网络(以字典的方式传入) 接收loss返回值
if i % 1000 == 0: # 每训练1000次
test_ax, test_ay = mnist.test.next_batch(100) # 则使用测试集对当前网络进行测试
test_output = sess.run(net.output, feed_dict={net.x: test_ax}) # 将测试数据喂进网络 接收一个output值
z = tf.equal(tf.argmax(test_output, 1, name='output_max'), tf.argmax(test_ay, 1, name='test_y_max')) # 对output值和标签y值进行求比较运算
accaracy2 = sess.run(tf.reduce_mean(tf.cast(z, tf.float32))) # 求出精度的准确率进行打印
print(accaracy2) # 打印当前测试集的精度
最后附上训练截图:
