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
例:输出[1,5,3]
,, ,
,,,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))