Tensorflow MNIST机器学习入门 分类学习

MNIST：

MNIST是一个很出名的手写数字数据库，据说是美国中学生手写的数字，包含28*28的图片和与之对应的Tag。我们的目标就是使用Tensorflow来对MNIST的数据进行处理，已达到自行识别图片中数字的目的。（感觉有点像识别验证码、、、）

原理：

想要知道具体原理的建议直接去官网，讲的肯定比我好多了。

中文：http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html

英文（最新版）：https://www.tensorflow.org/versions/r0.11/tutorials/mnist/beginners/index.html#mnist-for-ml-beginners

代码：

原理官网基本都讲了，我这里直接贴代码，个人癖好代码很多备注，便于直观感受。这是一个最简单的神经网络系统，只有输入层和输出层，没有隐藏层，mnist数据没有回自动帮你下载到根目录，有则直接缓存调用。也是依旧可以沿用上一篇文章的add_layer函数，但是这里稍有改动。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np

mnist = input_data.read_data_sets('MNIST_data',one_hot=True) #加载tensorflow自带数据包

def add_layer(inputs,in_size,out_size,activation_function=None): #activation_function=None线性函数
	#biases和Weights并不是纯随机数，一定的初始值跟有利于寻找到最优解
	biases = tf.Variable(tf.zeros([1,out_size])+0.03) 
	Weights = tf.Variable(tf.random_normal([in_size, out_size],mean=0,stddev=0.3))
	Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+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}) #输出预测值
	correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1)) #预测值对比真实数据
	accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #计算正确率
	result = sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys}) #输出正确率
	return result

xs = tf.placeholder(tf.float32,[None,784]) #28*28大小，图像大小
ys = tf.placeholder(tf.float32,[None,10]) #10个输出，0-9种数字

prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax) #输出层，激励函数softmax

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

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

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init) #先执行init



#训练1k次
for i in range(1000):
	batch_xs,batch_ys = mnist.train.next_batch(100) #每次学习随机提取100个元素（分类学习）
	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)) #图片与标签作对比，输出准确度