一、Mnist介绍
MNIST数据库介绍:MNIST是一个手写数字数据库,它有60000个训练样本集和10000个测试样本集。它是NIST数据库的一个子集。MNIST数据库官方网址为:http://yann.lecun.com/exdb/mnist/ ,也可以在windows下直接下载,train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz等。下载四个文件,解压缩。解压缩后发现这些文件并不是标准的图像格式。这些图像数据都保存在二进制文件中。每个样本图像的宽高为28*28。
MNIST是在机器学习领域中的一个经典问题。该问题解决的是把28x28像素的灰度手写数字图片识别为相应的数字,其中数字的范围从0到9.
就像我们学习其他语言的第一个入门程序是Hello world~一样,Mnist 就是我们深度学习入门的第一个。
话不多说,直接上代码。
二、源码
import tensorflow as tf
import numpy as np
#导入数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
Xtr, Ytr = mnist.train.next_batch(5000) #5000 for training (nn candidates)
Xte, Yte = mnist.test.next_batch(200) #200 for testing
#定义占位符
xtr = tf.placeholder("float", [None, 784])
xte = tf.placeholder("float", [784])
#使用L1距离计算
distance = tf.reduce_sum(tf.abs(tf.add(xtr, tf.neg(xte))), reduction_indices=1)
#得到最小距离
pred = tf.arg_min(distance, 0)
#精度计数
accuracy = 0.
#初始化所有值
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
# 在所有数据集上测试
for i in range(len(Xte)):
# 得到最近的类别
nn_index = sess.run(pred, feed_dict={xtr: Xtr, xte: Xte[i, :]})
# Get nearest neighbor class label and compare it to its true label
print "Test", i, "Prediction:", np.argmax(Ytr[nn_index]), \
"True Class:", np.argmax(Yte[i])
# 计算精度
if np.argmax(Ytr[nn_index]) == np.argmax(Yte[i]):
accuracy += 1./len(Xte)
print "Done!"
print "Accuracy:", accuracy
Done~
Accuracy:0.92
代码运行成功~~