MNIST数据集分类简单版本

最新推荐文章于 2023-02-15 19:57:25 发布

binbinfighting

最新推荐文章于 2023-02-15 19:57:25 发布

阅读量225

点赞数

分类专栏： tensorflow 文章标签： soft 简单分类

本文链接：https://blog.csdn.net/binbinfighting/article/details/88940930

版权

tensorflow 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

视频链接

MNIST数据集在代码中引入之后，如果网络状况好的话可自行下载

使用softmax回归模型：将多个神经元的输出，映射到（0,1）区间，就是在比较概率，选择概率最大的输出，公式是 $Si=\frac{e^{i}}{\sum_{0}^{j}e^{j}}$

例：输出[1,5,3]

$e^{1}=2.718$ , $e^{5}=148.413$ , $e^{3}=20.086$ , $e^{1}+e^{5}+e^{3}=171.217$

$p1=\frac{e^{1}}{e^{1}+e^{5}+e^{3}}=0.016$ , $p2=\frac{e^{2}}{e^{1}+e^{5}+e^{3}}=0.867$ , $p3=\frac{e^{3}}{e^{1}+e^{5}+e^{3}}=0.117$ ,选择p2啦


#MNIST数据集分类简单版本
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次的大小
batch_size= 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples//batch_size
#定义两个placeholder 先申请空间然后再传数据
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法优化
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()

#定义一下求准确率的方法,结果放在布尔型列表中，
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把布尔类型的预测结果（1、0）转换成浮点型
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range (n_batch):
            #batch_xs保存图片数据，batch_ys保存图片标签，batch_size=100
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            #优化，传参
            sess.run(train_step, feed_dict={x:batch_xs,y:batch_ys})
            acc = sess.run(accuracy,feed_dict={x: mnist.test.images,y:mnist.test.labels})
            print("Iter"+str(epoch)+"Testing Accuracy:" + str(acc))