Tensorflow minst 初试牛刀

最新推荐文章于 2021-01-27 16:32:47 发布

承接各种编程私活

最新推荐文章于 2021-01-27 16:32:47 发布

阅读量8.8k

点赞数 4

分类专栏： ML DL 文章标签： Tensorflow ML

本文链接：https://blog.csdn.net/silver_sail/article/details/50686434

版权

ML DL 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本文档介绍了如何在Tensorflow中手动处理MNIST数据集，由于自动下载功能失效，作者通过修改input_data代码，实现了从本地读取已下载的MNIST数据。主要修改了read_data_sets函数。

摘要由CSDN通过智能技术生成

全文参考地址：

https://github.com/jikexueyuanwiki/tensorflow-zh/blob/130a43845711cfad8e7d46e75300558349b36b57/SOURCE/tutorials/mnist_beginners.md

修改部分为input_data代码（该文件用于提供Minst的下载和导入），本身该程序提供自动下载功能，可是一直不成功，之后只能手动下载，下载之后将文件放入当前目录的MINST_data文件夹下。修改代码如下（就只修改了read_data_sets函数）：

def read_data_sets(train_dir, fake_data=False, one_hot=False, dtype=tf.float32):
  class DataSets(object):
    pass
  data_sets = DataSets()
  if fake_data:
    def fake():
      return DataSet([], [], fake_data=True, one_hot=one_hot, dtype=dtype)
    data_sets.train = fake()
    data_sets.validation = fake()
    data_sets.test = fake()
    return data_sets
  TRAIN_IMAGES = 'train-images-idx3-ubyte.gz'
  TRAIN_LABELS = 'train-labels-idx1-ubyte.gz'
  TEST_IMAGES = 't10k-images-idx3-ubyte.gz'
  TEST_LABELS = 't10k-labels-idx1-ubyte.gz'
  VALIDATION_SIZE = 5000
  #local_file = maybe_download(TRAIN_IMAGES, train_dir)
  local_file = train_dir + "/" + TRAIN_IMAGES 
  train_images = extract_images(local_file)
  #local_file = maybe_download(TRAIN_LABELS, train_dir)
  local_file = train_dir + "/" + TRAIN_LABELS
  train_labels = extract_labels(local_file, one_hot=one_hot)
  #local_file = maybe_download(TEST_IMAGES, train_dir)
  local_file = train_dir + "/" + TEST_IMAGES
  test_images = extract_images(local_file)
  #local_file = maybe_download(TEST_LABELS, train_dir)
  local_file = train_dir + "/" + TEST_LABELS
  test_labels = extract_labels(local_file, one_hot=one_hot)
  validation_images = train_images[:VALIDATION_SIZE]
  validation_labels = train_labels[:VALIDATION_SIZE]
  train_images = train_images[VALIDATION_SIZE:]
  train_labels = train_labels[VALIDATION_SIZE:]
  data_sets.train = DataSet(train_images, train_labels, dtype=dtype)
  data_sets.validation = DataSet(validation_images, validation_labels,
                                 dtype=dtype)
  data_sets.test = DataSet(test_images, test_labels, dtype=dtype)
  return data_sets

softmax 简单测试代码如下：

#导入Minst数据集
import input_data
mnist = input_data.read_data_sets("MINST_data",one_hot=True)

#导入tensorflow库
import tensorflow as tf

#输入变量，把28*28的图片变成一维数组（丢失结构信息）
x = tf.placeholder("float",[None,784])

#权重矩阵，把28*28=784的一维输入，变成0-9这10个数字的输出
w = tf.Variable(tf.zeros([784,10]))
#偏置
b = tf.Variable(tf.zeros([10]))

#核心运算，其实就是softmax（x*w+b）
y = tf.nn.softmax(tf.matmul(x,w) + b)

#这个是训练集的正确结果
y_ = tf.placeholder("float",[None,10])

#交叉熵，作为损失函数
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

#梯度下降算法，最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#初始化，在run之前必须进行的
init = tf.initialize_all_variables()
#创建session以便运算
sess = tf.Session()
sess.run(init)

#迭代1000次
for i in range(1000):
  #获取训练数据集的图片输入和正确表示数字
  batch_xs, batch_ys = mnist.train.next_batch(100)
  #运行刚才建立的梯度下降算法，x赋值为图片输入，y_赋值为正确的表示数字
  sess.run(train_step,feed_dict = {x:batch_xs, y_: batch_ys})

#tf.argmax获取最大值的索引。比较运算后的结果和本身结果是否相同。
#这步的结果应该是[1,1,1,1,1,1,1,1,0,1...........1,1,0,1]这种形式。
#1代表正确，0代表错误
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

#tf.cast先将数据转换成float，防止求平均不准确。
#tf.reduce_mean由于只有一个参数，就是上面那个数组的平均值。
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
#输出
print sess.run(accuracy,feed_dict={x:mnist.test.images,y_: mnist.test.labels})

这个程序就是了解简单的tensorflow流程，api可以参考https://www.tensorflow.org