tensorflow实战一---基于线性回归简单实现mnist手写体识别

最新推荐文章于 2022-05-08 16:16:14 发布

class_brick

最新推荐文章于 2022-05-08 16:16:14 发布

阅读量1.2k

点赞数

分类专栏：机器学习 tensorflow项目实战文章标签： mnist 线性回归人工智能 tensorflow

本文链接：https://blog.csdn.net/class_brick/article/details/79134939

版权

机器学习同时被 2 个专栏收录

64 篇文章 4 订阅

订阅专栏

tensorflow项目实战

1 篇文章 1 订阅

订阅专栏

本文通过TensorFlow实现了一个简单的MNIST手写体识别模型，使用线性回归和梯度下降算法，模型在测试集上的准确率达到91%。主要步骤包括设置变量、构建计算图、定义优化算法和激活函数、数据初始化、训练和模型评估。

摘要由CSDN通过智能技术生成

Mnist手写体识别是tensorflow的入门经典教程，此处的mnist的手写体识别率达到了91%，优化算法为梯度下降算法，激活函数为softmax回归，没有中间层，基本步骤可以分为七步。

1、设置变量

2、设置数据与结果的计算关系(设置图)

3、设置优化算法（梯度下降，train_step）

4、设置激活函数（sotfmax）

5、初始化数据

6、开始训练

7、模型评估

代码如下：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

INPUT_NODE = 784
OUTPUT_NODE = 10

#梯度下降率
GDDOWN = 0.01

#训练轮数
TRAINING_TIMES = 1000

#每次训练数量
TRAINING_STEPS = 100

if __name__ == '__main__':
    mnist = input_data.read_data_sets("/path/to/MNIST_data/", one_hot=True)
    ##首先打印出mnist图片数据的大小
    print("input_data\'s train size: " , mnist.train.num_examples)
    print("input_data\'s validation size: " , mnist.validation.num_examples)
    print("input_data\'s test size: " , mnist.test.num_examples)

    # 各个变量
    x = tf.placeholder("float", shape=[None, INPUT_NODE])
    y_ = tf.placeholder("float", shape=[None,OUTPUT_NODE])

    W = tf.Variable(tf.zeros([INPUT_NODE, OUTPUT_NODE]))
   b = tf.Variable(tf.zeros([OUTPUT_NODE]))

    # 变量初始化
    init = tf.initialize_all_variables()
    sess = tf.InteractiveSession()
    sess.run(init)

    # 初始化图
    y = tf.nn.softmax(tf.matmul(x, W) + b)

    # 优化算法
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    train_step =tf.train.GradientDescentOptimizer(GDDOWN).minimize(cross_entropy)

    for i in range(TRAINING_TIMES):
        # 训练
        batch_xs, batch_ys =mnist.train.next_batch(TRAINING_STEPS)
        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"))
        j = i+1
        print("第%d轮训练,训练个数%d个" % (j,j*TRAINING_STEPS))
        #print("正确率预测： " + correct_prediction + "\n")
        print("当前正确率： ")
        print(sess.run(accuracy,feed_dict={x: mnist.test.images, y_: mnist.test.labels}))