MNIST----开始
好久没有用到tensorflow了,把机器学习和深度学习扔了有一年了,今天捡起来发现自己还是如此有兴趣,决定从头开始学习的过程中来重新捡起快遗忘的知识。
首先开始 从MNIST手写识别开始,我是通过Tensorflow中文社区的教程学习的,总结一下这个过程中遇到的问题。
tensorflow已经出到2.4了,我先从1.15版本开始,毕竟2.x大的版本升级变动很大,还没有好好看,所以还是选择比较好入手的1.x开始学习。
MNIST数据集
MNIST数据集如果通过tensorflow自带的input_data下载有点慢,我觉得先在网上把数据集下载下来,我这里提供一个官方版和我自己下载下载的网盘资源
1.MNIST数据集官网
2.提取码:zdqz
将下载好数据集放到项目目录下
MNIST入门
数据集的下载解压读取将用到tensorflow.examples.tutorials.mnist 下的input_data,但是from tensorflow.examples.tutorials.mnist import input_data
会报错,没有这个库。通过在配置的环境下找到tensorflow发现这个examples位置在tensorflow_core下,所以要改成
from tensorflow_core.examples.tutorials.mnist import input_data
这里就全部准备好了,就开始通过教程学习撸代码了
import tensorflow as tf
from tensorflow_core.examples.tutorials.mnist import input_data
#mnist数据的下载解压读取,以one_hot方式读取
mnist = input_data.read_data_sets('mnist_dataset/', one_hot=True)
#将每张图片(28X28)按照相同方式展开成一个向量(28X28=784)
#展平图片的数字片段会丢失图片的二维结构信息,所以这个方式不太理想
x = tf.placeholder('float',[None,784])
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#y=softmax(x*w+b)
y = tf.nn.softmax(tf.matmul(x,w)+b)
#y_为实际分布,y为预测分布
y_ = tf.placeholder("float",[None,10])
#交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#步长为0.01的随机梯度下降
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化,启动
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
#训练
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
#模型评估
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print('accuracy is: ', sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))
这个手写识别的程序主要用到了softmax回归和随机梯度下降的方法,得到了92%左右的准确度,可以说这个识别率还是很低的,接下来一篇要开始通过卷积神经网络来提高手写识别准确度。
这里主要介绍了手写识别的方法流程和编程时遇到的一些麻烦问题,对这之中用到的方法原理没有介绍,有机会再写一下方法原理介绍。