tensorflow识别手写数字

介绍

这篇教程用tensorflow实现了一个softmax分类器（logistics回归的推广），用来熟悉tf的一些语法和使用tf进行机器学习的流程。

流程

准备数据

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

一共70000条数据，55000作为训练集，10000作为测试集，5000作为验证集。

设置模型

# placeholder用来接收数据，其中None表示不受限制，即任意条数据。
x = tf.placeholder(tf.float32, [None, 784])
# Variable表示变量，可以作为模型中的参数，在训练时进行优化。
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# 实现模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

所以，上面模型做的就是$y=softmax(Wx+b)$

设置cost function

交叉熵损失函数

$$H_{y'}(y) = -\sum_i y'_i \log(y_i)$$

y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

训练

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
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})

测试

# 评价
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}))