mnist手写数字检测

# -*- coding: utf-8 -*-
"""
Created on Tue Apr 23 06:16:04 2019

@author: 92958
"""

import numpy as np
import tensorflow as tf

#下载并载入mnist(55000*28*28图片)
#from tensorflow.examples.tutorials.mnist import input_data

#创造变量mnist，用特定函数，接收
mnist = input_data.read_data_sets('F:\\python\\TensorFlow\\mnist\\mnist_data\\',one_hot=True)
#one_hot独热码，例，：0001000000

#None表示tensor的第一个维度可以是任何长度
input_x = tf.placeholder(tf.float32,[None,28*28])/255.   #除255表示255个灰度值
output_y = tf.placeholder(tf.int32,[None, 10])       #10个输出标签
input_x_images = tf.reshape(input_x, [-1,28,28,1])     #改变形状之后的输出  
      
#从Test选3000个数据
test_x = mnist.test.images[:3000]#图片
test_y = mnist.test.labels[:3000]#标签

#日志
path = "F:\\python\\TensorFlow\\mnist\\log"

#构建第一层神经网络
conv1 = tf.layers.conv2d(
        inputs=input_x_images,   #形状28.28.1
        filters =32,             #32个过滤器输出深度32
        kernel_size=[5,5],       #过滤器在二维的大小5*5
        strides=1,               #步长为1
        padding='same',          #same表示输出大小不变，因此外围补零两圈
        activation=tf.nn.relu    #激活函数为relu
        )
#输出得到28*28*32

#第一层池化层pooling（亚采样）
pool1 = tf.layers.max_pooling2d(
        inputs=conv1,       #形状为28*28*32
        pool_size=[2,2],     #过滤器大小2*2
        strides=2,          #步长为2
        )
#形状14*14*32

#第二层卷积层
conv2 = tf.layers.conv2d(
        inputs=pool1,            #形状14*14*32
        filters =64,             #32个过滤器输出深度64
        kernel_size=[5,5],       #过滤器在二维的大小5*5
        strides=1,               #步长为1
        padding='same',          #same表示输出大小不变，因此外围补零两圈
        activation=tf.nn.relu    #激活函数为relu
        )
#形状14*14*64

#第二层池化层pooling（亚采样）
pool2 = tf.layers.max_pooling2d(
        inputs=conv2,       #形状为14*14*64
        pool_size=[2,2],     #过滤器大小2*2
        strides=2,          #步长为2
        )
#形状7*7*64

#平坦化（flat）
flat = tf.reshape(pool2,[-1,7*7*64])   #形状7*7*64

#全连接层
dense = tf.layers.dense(inputs = flat, 
                        units=1024, #有1024个神经元
                        activation=tf.nn.relu#激活函数relu
                        )

#dropout:丢弃50%，rate=0.5
dropout = tf.layers.dropout(inputs=dense, rate=0.5)

#10个神经元的全连接层，这里不用激活函数来做非线性化
logits=tf.layers.dense(inputs=dropout,units=10)#输出1*1*10

#计算误差，（计算cross entropy（交叉熵),再用softmax计算百分比概率）
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,
                                       logits=logits)
#Adam优化器来最小化误差
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

#精度
#返回
accuracy = tf.metrics.accuracy(
        labels=tf.argmax(output_y,axis=1),
        predictions=tf.argmax(logits,axis=1),)[1]



#创建会话
sess = tf.Session()

#初始化变量全局和局部
init = tf.group(tf.global_variables_initializer(),
                tf.local_variables_initializer())

sess.run(init)
writer =tf.summary.FileWriter(path,sess.graph)
for i in range(1000):
    batch = mnist.train.next_batch(50)
    #从train数据集里取下一个50个样本
    train_loss,train_op_= sess.run([loss,train_op],
                                   {input_x:batch[0],output_y:batch[1]})
    if i%100==0:
        test_accuracy = sess.run(accuracy,
                                 {input_x:test_x,output_y:test_y})
        print("Step=",i)
        print("Train loss=",train_loss)
        print("Test accuracy=",test_accuracy)

        
#测试
test_output=sess.run(logits,{input_x:test_x[:20]})
inferenced_y=np.argmax(test_output,1)
print(inferenced_y,'推测')
print(np.argmax(test_y[:20],1),'真实')

mnist数据集http://yann.lecun.com/exdb/mnist/