1.Tensorflow之手写数字(MNIST)识别(1)

1.了解MNIST数据集

1.1下载MNIST数据集：

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

运行上面代码，会自动将 MNIST数据集 下载并存入指定文件夹。注意，如果网速太慢，会导致下载失败，程序报错。

1.2了解MNIST数据集

(1)MNIST数据集中的图片尺寸是（28*28)Pixel的，每一张图片是一个包含784个Pixel的向量（784 = 28*28）。

#随便读取train中一张图片，查看其大小
im = mnist.train.images[6]
print(im.shape)

(784,)
#784个Pixel的一维向量。

---

#将图片显示出来
#先将(784，)转换成(28，28)的矩阵
im = im.reshape(-1,28)
print(im.shape)
#导入pylab
import pylab
pylab.imshow(im)
pylab.show()

(2)MNIST由3个数据集组成，分别是train,test,validation（验证），以下代码可查看它们的大小。

print('train集的大小是：' , mnist.train.images.shape)
print('test集的大小是：' , mnist.test.images.shape)
print('validation集的大小是：' , mnist.validation.images.shape)

(3)上述3个数据集图片分别对应有3个标签文件（labels），这些标签对应0~9之间的数，总共10类，采用的是one-hot(又称独热)向量表示。

***注***：0的one_hot为（1000000000）；1的one_hot为(0100000000)....

#读取train集对应的标签集
labels = mnist.train.labels
print(labels.shape)

(55000, 10)

---

#读取其中一个标签进行查看
label = labels[6]
print(label.shape)
print(label)

(10,)
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]

---

2.实验

代码如下

import tensorflow as tf
import pylab
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data/',one_hot=True)

#定义图片和标签的占位符
#None 表示张量的第一维度可以接受任意长度
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#定义权重及偏置值变量
W = tf.Variable(tf.random_normal(([784,10])))
b = tf.Variable(tf.zeros([10]))

#定义输出节点
#softmax是激活函数
pred = tf.nn.softmax(tf.matmul(x,W) + b)

#定义交叉熵
cross_entropy = -tf.reduce_sum(y*tf.log(pred),reduction_indices=1)

#定义损失函数
loss = tf.reduce_mean(cross_entropy)

#定义学习率
learning_rate = 0.01

#定义优化器
opt = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

#定义参数
#总共循环训练轮数
train_epochs = 25 
#每轮循环中，每次训练的图片张数
batch_size = 100   
#将所有图片训练一轮所需要的总的训练次数
total_batch = int(mnist.train.num_examples/batch_size) 

#启动session
with tf.Session() as sess:
    
    #初始化变量，必写
    sess.run(tf.global_variables_initializer())
    
    print("以下是训练模型每轮训练误差：")
    #循环训练
    for epoch in range(train_epochs):
        #定义平均loss值
        avg_loss = 0.
        #循环所有数据
        for i in range(total_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            _,c = sess.run([opt,loss],feed_dict={x:batch_xs,y:batch_ys})
            
            #平均loss
            avg_loss += c / total_batch
        
        #显示每轮的结果
        print('Epoch:',epoch+1,',     loss:','{:.9f}'.format(avg_loss))
        
    print("\n训练模型结束，以下是测试模型准确率：")
    
    #以下是测试模型
    correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
    #准确率：
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    print('Accuracy:',accuracy.eval({x:mnist.test.images,y:mnist.test.labels}))