TensorFlow实战第五课（MNIST手写数据集识别）

Tensorflow实现softmax regression识别手写数字

 

MNIST手写数字识别可以形象的描述为机器学习领域中的hello world。

MNIST是一个非常简单的机器视觉数据集。它由几万张28*28像素的手写数字组成，这些图片只包含灰度值信息。我们的任务就是对这些手写数字进行分类。转换为0-9共十个分类。

首先在命令行中运行如下代码加载MNIST手写数据集：

from tensorflow.examples.tutorials.mnist import  input_data
#number 1 to 10 data
#创建文件夹存放数据
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)

数据集中包含55000个样本，测试集中有10000个样本，同时验证集有5000个样本。每一个样本都有他对应的标注信息，即label。

我们将在训练集上训练模型，在验证集上检验效果并决定何时完成训练，最后我们在测评及评测模型效果。

准备好数据后我们开始设计算法。我们采用的是softmax regression的算法训练手写数字识别的分类模型。数字分为0-9，所以一共有十个类别，当我们对一张图片进行预测时，softmax regression会对每一种类别估算一个概率，然后取估算概率最大的数字作为模型的输出结果。

 

注：当我们处理多分类模型时，通常需要使用softmax regression。例如卷积神经网络或者循环神经网络，如果是分类模型，那么最后一层同样是softmax regression。

 

loss函数选择的是交叉熵函数，交叉熵用来衡量预测值与真实值的相似程度，如果完全相同，他们的交叉熵等于零。

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss

 

train方法（最优化方法）采用梯度下降法。

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()
# tf.initialize_all_variables() 这种写法马上就要被废弃
# 替换成下面的写法:
sess.run(tf.global_variables_initializer())

 

完整代码：

#classification 分类学习

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import  input_data
#number 1 to 10 data
#创建文件夹存放数据
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)

def add_layer(inputs,in_size,out_size,activation_function=None):
    #添加一个以上的层 并且返回这个层的输出

    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    Wx_plus_b = tf.matmul(inputs,Weights)+biases

    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result


#define placeholder for inputs to network
xs = tf.placeholder(tf.float32,[None,784])#None就是不规定他有多少sample，但是规定大小为28*28
ys = tf.placeholder(tf.float32,[None,10])

#add output layer
#激励函数采用softmax函数
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)

# the error between prediction and real data
'''loss函数即最优化目标函数 选用交叉熵函数
交叉熵用来衡量预测值和真实值相似程度
如果完全相同 ，他们的交叉熵为零
'''
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                       reduction_indices=[1]))       

# loss
#采用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

for i in range(2000):
    #每次只取100张图片
    batch_xs,batch_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i%50==0:
        print(compute_accuracy(mnist.test.images,mnist.test.labels))

 

输出结果：