TensorFlow框架之MNIST机器学习入门

初学TensorFlow和机器学习，MNIST算法的每条语句都不是很清楚，通过查阅资料，将每句代码的基本用法差不多理解了。希望能够帮助正在学习的你

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

mnist.train:训练数据,mnist.test:测试数据,mnist.valication:开发数据.
每份MNIST数据包含手写数字图像(后记为xs)和对应标注(后记为ys)2部分,训练集和测试集均包含xs和ys.
所以训练图像是mnist.train.images、训练标注是mnist.train.labels.

print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape )

载入TensorFlow库，创建新的InteractionSession，使用命令将session注册为默认的session，之后的运算默认跑在这个session. 不同session之间的数据和运算是相互独立的.

import tensorflow as  tf
sess = tf.InteractiveSession()

x表示所有的手写体图片。它并不是一个固定值而是一个占位符，只有在TensorFlow运行时才会被设定真实.
创建一个Placeholder,即输入数据的地方.
第一个参数是数据类型，表示一个二维浮点数
第二个参数[None,784]代表tensor的shape，代表数据的尺寸，None代表不限条数的输入，784代表每条输入是一个784维的向量

x = tf.placeholder(tf.float32,[None,784])

tf.Variable创建变量，使用 tf.zeros 将变量 W 和 b 设为初始化全为0的张量.
w用一个784维度的向量表示像素值，代表每个图片都有784个像素点.用10维度的向量表示分类,代表从“0”到“9”一共有10类图片.
而2个向量进行乘法运算（或者说2个向量的笛卡尔集）就表示“某个像素在某个分类下的证据”。
b的形状是[10]，他仅表示10个分类的偏移值。

w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

tf.matmul是TensorFlow中的矩阵乘法函数tf.matmul(x, W) 表达式表示W和x的乘积运算，对应之前等式（y=softmax(Wx+b)）的Wx，这个计算结果会得到一个y1=[None, 10]的张量，表示每个图片在10个分类下权重计算结果。
tf.matmul(x, W) + b 表示执行y2=y1+b的运算，它计算每个分类的偏移量。y2还是一个[None,10]的张量。最后使用 tf.nn.softmax 进行归一计算，得到每张图片在每个分类下概率。
TensorFlow能够将forward和backward的内容自动实现，只要接下来定义好loss,训练时会自动求导并进行梯度下降

y = tf.nn.softmax(tf.matmul(x,w) + b)

定义一个placeholder，输入的是真实的label,用来计算cross-entropy.
y_ * tf.log(y)是对应交叉熵公式的乘积部分，
f.reduce_sum对应求和部分。
tf.reduce_mean则用来对每个batch数据结果求均值

y_ = tf.placeholder(tf.float32,[None,10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))

TensorFlow会根据我们定义的整个计算图自动求导,我们只需要调用封装好的优化器，提供数据给它就好.
调用tf.train.GradientDescentOptimizer，设置学习速率为0.5，优化目标设为cross-entropy，得到进行训练的操作train_step

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

使用TensorFlow的全局参数初始化器，执行它的run方法

tf.global_variables_initializer().run()

随机抽取100条样本构成一个mini-batch，并提供给placeholder
接着调用train_step对样本进行训练

for i in range(1000):    
    batch_xs,batch_ys = mnist.train.next_batch(100)  
    train_step.run({x:batch_xs,y_:batch_ys})

tf.argmax是从一个tensor中寻找最大值的序号
tf.argmax(y,1)是求各个预测的数字中概率最大的那一个
tf.argmax(y_,1)是找样本的真是数字类别。
而tf.equal则用来判断数字类别是否就是正确的类别。
correct_prediction表示计算分类是否正确

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))

统计全部样本预测的accuracy
先用tf.cast将之前corrext_prediction输出的bool值转换为float32，再求平均值

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

将测试数据的特征和Label输入评测流程accuracy,计算模型在测试集上的准确率，打印结果

print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

总结TensorFlow实现算法的流程：

1、载入TensorFlow库
2、创建一个占位符，输入数据//张量
3、创建两个变量w、b，用来存储模型参数，不同于tensor一旦使用掉就会消失，变量会在模型训练迭代中持久化，长期存在并不断更新

4、实现softmax regression算法，定义公式。
5、定义loss公式，选定优化算法，并指定优化loss
6、迭代地对数据进行训练
7、使用训练数据对模型的准确率进行验证

注意

需要注意的是我们定义的各个公式都是Computation Graph。在执行代码的时候，计算还没实际发生，只有等调用run方法，并feed数据时，计算才真正执行。比如cross_entropy、train_step、accuracy等都是计算图中的节点，而不是数据结果。我们调用run方法执行节点或者说操作来获取结果