TensorFlow-1: 如何识别数字

原创 2017年04月26日 10:35:50

识别数字在机器学习任务中的地位和 Hello World 在编程中是一样的。

主要步骤:

  1. 获得数据:from Yann LeCun’s website
  2. 建立模型:softmax
  3. 定义 tensor,variable:X,W,b
  4. 定义损失函数,优化器:cross-entropy,gradient descent
  5. 训练模型:loop,batch
  6. 评价:准确率

1. 获得数据

  • 来自 Yann LeCun’s website:http://yann.lecun.com/exdb/mnist/
  • 分为 train,test,validate,每个 X 代表一个图片,y 是它的 label
  • 其中图片由 28*28 像素组成,转化成 array 的形式,变成 1*784
  • y 变为 one-hot 的形式,即属于哪个数字,就在哪个位置上为 1, 其余为 0

目标:给了 X 后,预测它的 label 是属于 0~9 类中的哪一类

如果想要看数据属于多类中的哪一类,首先可以想到用 softmax 来做。


2. 建立模型

softmax regression 有两步:

  1. 把 input 转化为某类的 evidence
  2. 把 evidence 转化为 probabilities

1. 把 input 转化为某类的 evidence

  • 某一类的 evidence 就是像素强度的加权求和,再加上此类的 bias。
  • 如果某个 pixel 可以作为一个 evidence 证明图片不属于此类,则 weight 为负,否则的话 weight 为正。
    下图中,红色代表负值,蓝色代表正值:

2. 把 evidence 转化为 probabilities

简单看,softmax 就是把 input 先做指数,再做一下归一:

  • 归一的作用:好理解,就是转化成概率的性质
  • 为什么要取指数:在 《常用激活函数比较》写过
    http://www.jianshu.com/p/22d9720dbf1a
    • 第一个原因是要模拟 max 的行为,所以要让大的更大。
    • 第二个原因是需要一个可导的函数。

用图形表示为:

上面两步,写成矩阵形式:

模型的代码只有一行:
y = tf.nn.softmax(tf.matmul(x, W) + b)


3. 定义 tensor 和 variable:


4. 定义损失函数,优化器:

用 cross-entropy 作为损失来衡量模型的误差:

其中,y 是预测, y′ 是实际 .

按照表面的定义,代码只有一行:

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

不过因为上面不稳定,所以实际用:

cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))

然后用 backpropagation, 且 gradient descent 作为优化器,来训练模型,使得 loss 达到最小:

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)


5. 训练模型

for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

6. 评价

看 y 和 y′ 有多少相等的,转化为准确率。
再测试一下 test 数据集上的准确率,结果可以达到 92%。

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

这只是最简单的模型,下次看如何提高精度。

完整代码和注释:
温馨提示,用web打开,代码格式比较好看

"""A very simple MNIST classifier.
See extensive documentation at
https://www.tensorflow.org/get_started/mnist/beginners
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

FLAGS = None


def main(_):
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

  # Create the model
  x = tf.placeholder(tf.float32, [None, 784])   
        # a 2-D tensor of floating-point numbers
        # None means that a dimension can be of any length
  W = tf.Variable(tf.zeros([784, 10]))
  b = tf.Variable(tf.zeros([10]))
  y = tf.matmul(x, W) + b
        # It only takes one line to define it

  # Define loss and optimizer
  y_ = tf.placeholder(tf.float32, [None, 10])

  # The raw formulation of cross-entropy,
  #
  #   tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.nn.softmax(y)),
  #                                 reduction_indices=[1]))
                # tf.reduce_sum adds the elements in the second dimension of y, 
                # due to the reduction_indices=[1] parameter.
                # tf.reduce_mean computes the mean over all the examples in the batch.
  #
  # can be numerically unstable.
  #
  # So here we use tf.nn.softmax_cross_entropy_with_logits on the raw
  # outputs of 'y', and then average across the batch.

  cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
  train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
        # apply your choice of optimization algorithm to modify the variables and reduce the loss.

  sess = tf.InteractiveSession()
        # launch the model in an InteractiveSession
  tf.global_variables_initializer().run()
        # create an operation to initialize the variables

  # Train~~stochastic training
  for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
            # Each step of the loop, 
            # we get a "batch" of one hundred random data points from our training set.
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

  # Test trained model
  correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
            # use tf.equal to check if our prediction matches the truth
            # tf.argmax(y,1) is the label our model thinks is most likely for each input, 
            # while tf.argmax(y_,1) is the correct label.
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
            # [True, False, True, True] would become [1,0,1,1] which would become 0.75.
  print(sess.run(accuracy, feed_dict={x: mnist.test.images,
                                      y_: mnist.test.labels}))
            # ask for our accuracy on our test data,about 92%

if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
                      help='Directory for storing input data')
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

学习资料:
https://www.tensorflow.org/get_started/mnist/beginners

今天开始系统学习 TensorFlow,大家有什么问题可以留言,一起讨论学习。


推荐阅读
历史技术博文链接汇总
也许可以找到你想要的

版权声明:本文为博主原创文章,未经博主允许不得转载。

Tensorflow快速入门2--实现手写数字识别

Tensorflow快速入门2–实现手写数字识别 环境: 虚拟机ubuntun16.0.4 Tensorflow 版本:0.12.0(仅使用cpu下)Tensorflow安装见: http:...

tensorflow 手写图像验证

主要是为了讨论图像验证,利用最简单的训练代码。官方示例对验证过程只有简单的准确率输出,不直观。 为此,对单一图片进行验证 训练代码:""" Created on Tue Mar 28 11:42:...

TensorFlow-3: 用 feed-forward neural network 识别数字

今天继续看 TensorFlow Mechanics 101: https://www.tensorflow.org/get_started/mnist/mechanics完整版教程可以看中文版tu...

ROS机器人Diego 1#整合Tensorflow MNIST,玩数字识别

机器学习中最经典的例子就是NNIST通过图片来识别0~9的数字,这篇文章将介绍如何将基于Tensorflow NNIST整合到Diego1#机器人中作为一个节点,此节点将订阅Image消息,通过NNI...
  • mwlwlm
  • mwlwlm
  • 2017年07月14日 16:58
  • 395

Deep Learning-TensorFlow (1) CNN卷积神经网络_MNIST手写数字识别代码实现详解

import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_data import...

TensorFlow学习笔记(1):使用softmax对手写体数字(MNIST数据集)进行识别

本文主要步骤参照TensorFlow中文官方文档使用softmax实现手写体数字识别完

Deep Learning-TensorFlow (1) CNN卷积神经网络_MNIST手写数字识别代码实现

Deep Learning-TensorFlow之CNN卷积神经网络_MNIST手写数字识别实现

tensorflow-mnist手写数字识别

  • 2017年04月14日 23:27
  • 11.06MB
  • 下载

2008-2009第一学期数字电路1

  • 2010年04月10日 12:52
  • 4.06MB
  • 下载

TensorFlow:Chap5笔记总结(MNIST数字识别)

MNIST是一个非常有名的手写体数字识别数据集,是NIST数据集的一个子集,它包含了60000张图片作为训练数据,10000张图片作为测试数据。在MNIST数据集中,每一张图片都代表了0~9中的一个数...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:TensorFlow-1: 如何识别数字
举报原因:
原因补充:

(最多只允许输入30个字)