tf之手写体识别

# 多层感知机模型示例
# Neural Network Overview
# 
# <img src="http://cs231n.github.io/assets/nn1/neural_net2.jpeg" alt="nn" style="width: 400px;"/>
# 
# MNIST Dataset Overview
# 
# MNIST图像数据集使用形如［28，28］的二阶数组来表示每张图像，数组中的每个元素对应一个像素点。该数据集中的图像都是256阶灰度图，像素值0表示白色（背景），255表示黑色（前景）。由于每张图像的尺寸都是28x28像素，为了方便连续存储，我们可以将形如［28，28］的二阶数组“摊平”成形如［784］的一阶数组。数组中的784个元素共同组成了一个784维的向量。
# 
# ![MNIST Dataset](http://neuralnetworksanddeeplearning.com/images/mnist_100_digits.png)
# 
# More info: http://yann.lecun.com/exdb/mnist/

from __future__ import print_function

# 导入 MNIST 数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./minist_data/", one_hot=True) #下载minit数据集到minist_data目录下
import tensorflow as tf

# 超参数
learning_rate = 0.1
num_steps = 500   # 训练500步
batch_size = 128  # 每步输入128张图训练
display_step = 100

# 神经网络参数
n_hidden_1 = 256 # 第一层神经元个数
n_hidden_2 = 256 # 第二层神经元个数
num_input = 784 # MNIST 输入数据(图像大小: 28*28)
num_classes = 10 # MNIST 手写体数字类别 (0-9)

# 输入到数据流图中的训练数据
X = tf.placeholder("float", [None, num_input])  # None表示可变长动态数组, batchsize=128 None表示1~128
Y = tf.placeholder("float", [None, num_classes])


# 权重和偏置
weights = {
    'h1': tf.Variable(tf.random_normal([num_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, num_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([num_classes]))
}

# 定义神经网络
def neural_net(x):
    # 第一层隐藏层（256个神经元）
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])  # layer_1=wx+b
    # 第二层隐藏层（256个神经元）
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2']) #layer_2=layer_1*x+b
    # 输出层
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer  # 128乘10维的数组



# 构建模型
logits = neural_net(X)  # x是128 乘784维的数组

# 定义损失函数和优化器
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
    logits=logits, labels=Y))  #loss_op就是损失函数, logits是预测值, Y是真实值
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)  #优化器
train_op = optimizer.minimize(loss_op)  #minimize减小loos_op,就是让预测值和真实值差距越来越小

# 定义预测准确率
correct_pred = tf.equal(tf.argmax(logits, 1), tf.argmax(Y, 1)) #选logits概率最大的,和argmax为1的比较
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))


init = tf.global_variables_initializer() #初始化所有变量（所有变量赋默认值）


# 开始训练
with tf.Session() as sess:
    # 执行初始化操作
    sess.run(init)

    for step in range(1, num_steps+1):
        batch_x, batch_y = mnist.train.next_batch(batch_size) #逐个batch的取出数据 batch_x是128个图片.batch_y是128个标签
        # 执行训练操作，包括前向和后向传播
        sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})
        if step % display_step == 0 or step == 1: #每display_step步打印一次
            # 计算损失值和准确率
            loss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x,
                                                                 Y: batch_y})
            print("Step " + str(step) + ", Minibatch Loss= " +"{:.4f}".format(loss) + ", 准确率Training Accuracy= " +"{:.3f}".format(acc))

    print("训练结束Optimization Finished!")

    # 计算测试数据的准确率
    print("Testing Accuracy测试集准确率:",sess.run(accuracy, feed_dict={X: mnist.test.images,Y: mnist.test.labels}))