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://blog.csdn.net/yhhyhhyhhyhh/article/details/54429034
或者:
http://www.tensorfly.cn/tfdoc/get_started/os_setup.html
本文将利用Tensorflow以softmax回归和卷积神经网络两种模型简单测试MNIST数据集,快速实现手写数字识别的测试。仅Tensorflow作为练习,不讲解过多模型、框架等理论知识。
目录
1.MNIST数据集
2.softmax回归测试MNIST
3.卷积神经网络测试MNIST
4.Tensorflow学习文档
1.MNIST数据集
MNIST数据集的官网:http://yann.lecun.com/exdb/mnist/
按照TensorFlow中文社区教程的方法将MNIST数据训练数据和测试数据加载到自己的代码中。
1)下载MNIST数据集
input_data.py文件下载:input_data.py
在终端中运行:python ~/Test/input_data.py
(我的数据集和input_data.py文件放在了主目录下的Test文件夹下,注意路径。)
2)加载到代码中
在用到MNIST数据的python代码中加入以下:
#导入MNIST数据
import input_data
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)
每一个MNIST数据单元有两部分组成(训练数据集和测试数据集都是):一张包含手写数字的图片和一个对应的标签。
因此,在MNIST训练数据集中,mnist.train.images 是一个形状为 [60000, 784] 的张量,第一个维度数字用来索引图片,第二个维度数字用来索引每张图片中的像素点。在此张量里的每一个元素,都表示某张图片里的某个像素的强度值,值介于0和1之间。
相对应的MNIST数据集的标签是介于0到9的数字,用来描述给定图片里表示的数字。为了用于这个教程,我们使标签数据是”one-hot vectors”。 一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。所以在此教程中,数字n将表示成一个只有在第n维度(从0开始)数字为1的10维向量。比如,标签0将表示成([1,0,0,0,0,0,0,0,0,0,0])。因此, mnist.train.labels 是一个 [60000, 10] 的数字矩阵。
2.softmax回归测试MNIST
1)softmax回归模型
点击查看softmax回归详细讲解的一个帖子:
简单来说,softmax回归是logistic回归对多分类问题的推广,当是两分类时,就是logistic回归。softmax回归更适合类别间是互斥的,比如字符识别等。Softmax代价函数与logistic 代价函数在形式上非常类似,只是在Softmax损失函数中对类标记的 个可能值进行了累加。
2)简单测试MNIST
注意路径。