Tensorflow学习实战

Tensorflow学习实战之mnist手写体识别
数据准备
构建模型
训练模型
评估结果
可视化显示
Tensorflow继续学习，今天是入门级的mnist手写体识别，改变前两次的线性回归，这次是逻辑回归，这样随之改变的是损失函数等
Tensorflow里面有一个examples的MNIST的手写，直接运行会自动下载。
训练了20次，效果还不错，慢慢的理解，把以前不懂得好多东西，学习中慢慢得到补充
收获：
reshape，行优先，逐行排列，相当于把一整行数字排列后按reshape得行列填充进去，我的理解相当于图像里得resize
one hot独热编码，一个为1，其余所有为0，适用于分类任务，是一种稀疏向量，扩展到欧氏空间更适用于分类任务，使用one-hot得优势很明显，1-3和8-3，更相似于3，如果不使用one-hot而直接使用1-9编码，1-3更加相似，不符合
通过argmax可以把独热编码中得最大值取出来，即把标签得出
训练-》验证，验证通过后，到最后用测试集进行测试
Sigmod函数更适应于逻辑回归
Softmax函数可以延伸至多分类，但多分类相加为1
损失函数使用的是交叉熵，相当于两个概率分布之间的距离

先上图结果图：

数据准备
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import tensorflow.examples.tutorials.mnist.input_data as input_data
#tensorflow自带minist_examples,运行后目录下若无，会自动下载,独热编码
mnist=input_data.read_data_sets(“minist_data/”,one_hot=True)
#输出训练集等数量
print(‘训练集’,mnist.train.num_examples,‘验证集：’,mnist.validation.num_examples,‘测试集：’,mnist.test.num_examples)
#labels 10分类，one_hot编码
print(‘train_image_shape:’,mnist.train.images.shape,‘labels_image_shape:’,mnist.train.labels.shape)
1
2
3
4
5
6
7
8
9

构建模型
#占位符
x=tf.placeholder(tf.float32,[None,784],name=‘x’)
y=tf.placeholder(tf.float32,[None,10],name=‘y’)
#定义变量,w=78410,10类
w=tf.Variable(tf.random_normal([784,10]),name=‘w’)
b=tf.Variable(tf.zeros([10]),name=‘b’)
#一个神经元,前向计算,得到y进行分类
forward =tf.matmul(x,w)+b
#softmax进行多分类
pred=tf.nn.softmax(forward)
#参数
train_epochs=20
learning_rate=0.01
batch_size=100#小批次训练
total_batch=int(mnist.train.num_examples/batch_size)#一轮训练的批次
display_step=1#显示粒度
#定义损失函数 交叉熵
loss_function=tf.reduce_mean(-tf.reduce_sum(ytf.log(pred),
reduction_indices=1))
#定义优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#定义准确率,判断是否相等
correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
#bool值转换成浮点数
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
训练模型
#初始化
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
#进入训练
for epoch in range (train_epochs):
#小批量训练
for batch in range(total_batch):
#分割数据
xs,ys =mnist.train.next_batch(batch_size)
sess.run(optimizer,feed_dict={x:xs,y:ys})
#每批次训练完进行验证集的验证
loss,acc=sess.run([loss_function,accuracy],feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
if(epoch+1)% display_step ==0:
print(“训练轮数：”,epoch+1,“损失：”,loss,“准确率：”,"{:.4f}".format(acc))
print(“训练结束”)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

评估结果
#评估
acc_test= sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print(“测试评估:”,acc_test)
predict_result=sess.run(tf.argmax(pred,1),feed_dict={x:mnist.test.images})
print(predict_result[0:10])
1
2
3
4

可视化显示
#显示结果
def plot_images(images,#图像
labels,#标签
prediction,#准确率
index,#起始位置
num=10):
#获取图表
fig=plt.gcf()
#设置图表大小
fig.set_size_inches(10,12)
#设置最多显示
if num>25:
num=25
for i in range(0,num):
ax=plt.subplot(5,5,i+1)
ax.imshow(np.reshape(images[index],(28,28)),cmap=‘binary’)
title=“label:”+str(np.argmax(labels[index]))
if len(prediction)>0:
title+=“predict:”+str(prediction[index])
ax.set_title(title,fontsize=10)
ax.set_xticks([])
ax.set_yticks([])
index+=1
plt.show()
plot_images(mnist.test.images,
mnist.test.labels,
predict_result,100,25)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

————————————————
版权声明：本文为CSDN博主「小老弟哟」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44747240/article/details/104380949