1. 数据处理
数据包在文章末尾
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import gzip
import os
import tempfile
import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
2. 构建神经网络
构建一个神经网络,用于学习神经网络的结构。
本文构建的神经网络是典型的三层神经网络,输入层、隐藏层、输出层。输入层有一个输入参数也就是有一个神经元,隐藏层定义了10个神经元,输出层有一个输出,所以也就是有一个神经元。
add_layer 函数是添加一个神经层的函数。
# -*- coding: utf-8 -*-
# 手写数字识别
# 准确度 0.8802
import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 添加神经层的函数def add_layer(),它有四个参数:输入值、输入的大小、输出的大小和激励函数,我们设定默认的激励函数是None。也就是线性函数
def add_layer(inputs, in_size, out_size, activation_function=None):
# 定义权重,尽量是一个随机变量
# 因为在生成初始参数时,随机变量(normal distribution) 会比全部为0要好很多,所以我们这里的weights 是一个 in_size行, out_size列的随机变量矩阵。
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
# 在机器学习中,biases的推荐值不为0,所以我们这里是在0向量的基础上又加了0.1。
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
# 定义Wx_plus_b, 即神经网络未激活的值(预测的值)。其中,tf.matmul()是矩阵的乘法。
Wx_plus_b = tf.matmul(inputs, Weights) + biases
# activation_function ——激励函数(激励函数是非线性方程)为None时(线性关系),输出就是当前的预测值——Wx_plus_b,
# 不为None时,就把Wx_plus_b传到activation_function()函数中得到输出。
if activation_function is None:
outputs = Wx_plus_b
else:
# 返回输出
outputs = activation_function(Wx_plus_b)
return outputs
# 添加一个神经层的函数——def add_layer()就定义好了。
def compute_accuracy(v_xs,v_ys):
# 定义 prediction 为全局变量
global prediction
# 将 xs data 在 prediction 中生成预测值,预测值也是一个 1*10 的矩阵 中每个值的概率,并不是一个0-9 的值,是0-9 每个值的概率 ,比如说3这个位置的概率最高,那么预测3就是这个图片的值
y_pre = sess.run(prediction, feed_dict={xs: v_xs})
# 对比我的预测值y_pre 和真实数据 v_ys 的差别
correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
# 计算我这一组数据中有多少个预测是对的,多少个是错的
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# result 是一个百分比,百分比越高,预测越准确
result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
return result
xs = tf.placeholder(tf.float32,[None, 784]) #图像输入向量 每个图片有784 (28 *28) 个像素点
ys = tf.placeholder(tf.float32, [None,10]) #每个例子有10 个输出
prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)
#loss函数(即最优化目标函数)选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度,如果完全相同,它们的交叉熵等于零 ,所以loss 越小 学的好
#分类一般都是 softmax+ cross_entropy
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1]))
# cross_entropy = -tf.reduce_sum(ys*tf.log(prediction))
#train方法(最优化算法)采用梯度下降法。 优化器 如何让机器学习提升它的准确率。 tf.train.GradientDescentOptimizer()中的值(学习的效率)通常都小于1
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()
# 初始化变量
init= tf.global_variables_initializer()
sess.run(init)
for i in range(1000):
#开始train,每次只取100张图片,免得数据太多训练太慢
batch_xs, batch_ys = mnist.train.next_batch(50)
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))
2. TensorFlow 入门之训练 MNIST
TensorFlow 入门 mnist手写数字识别目录参考:
MNIST_data数据下载地址: http://download.csdn.net/download/u012373815/9935430
源码地址:https://github.com/527515025/My-TensorFlow-tutorials
欢迎 start