深度学习-卷积神经网络-实例及代码1（入门）—利用Tensorflow和mnist数据集训练单层前馈神经网络/感知机实现手写数字识别

系列文章：

深度学习-卷积神经网络-实例及代码0.8—基于最小均方误差的线性判别函数参数拟合训练

深度学习-卷积神经网络-实例及代码0.9—MNIST数据集介绍、下载及基本操作

 

1、实例主要原理

利用Tensorflow和mnist数据集训练单层前馈神经网络/感知机模型

损失函数使用交叉熵

训练方法采用梯度下降

 

2、基础知识准备

（1）机器学习-前馈神经网络/感知机的基本原理

前馈神经网络也称为BP神经网络

采用梯度下降法进行后向传播

从而训练模型的权值参数和阈值参数

（2）Tensorflow基础知识

包括计算图、张量、Session的运行等基本概念等

（3）利用Tensorflow进行训练的相关操作方法

练习Tensorflow的基本使用方法和模型训练的基本过程，可参考文章：

                       深度学习-卷积神经网络-实例及代码0.8—基于最小均方误差的线性判别函数参数拟合训练

 

3、实例实现的主要步骤

（1）下载数据集，mnist数据集，可以直接去Lecun官网下载

      Lecun MNIST数据集网址：

                                 http://yann.lecun.com/exdb/mnist/

      mnist数据集介绍可以参考这篇文章：

                                  深度学习-卷积神经网络-实例及代码0.9—MNIST数据集介绍、下载及基本操作

（2）获取mnist数据集操作的python包，github上有

       Github项目地址：

                               tensorfow操作mnist数据集python包-Github

（3）编写代码

包括建立模型、训练模型和评估模型

利用MNIST训练集mnist.image训练网络模型

利用MNIST测试集mnist.test测试结果进行模型评估

      

4、实例代码分析                                 

本实例项目Github地址（如果对你有所帮助，欢迎关注点赞~）：

                        https://github.com/firemonkeygit/DeepLearningTensorflowMNIST

参考MnistTrainBase.py文件，经过调试可用

注意导入操作mnist数据集的python包和配置正确的数据集路径

 

代码执行结果：loss is: 3142.896240234375，acc is:0.9110999703407288

 

主要源代码文件MnistTrainBase.py及说明如下：

import tensorflow from tf
from TensorflowTest.mnist import imput_data

#读取mnist数据集
mnist=input_data.read_data_sets('../../MNIST_data',one_hot=True)

#图像输入，占位符，类似于函数变量
x=tf.placeholder('float',[None,784])
#图像标签，目标输出，占位符，类似于函数变量
yLabel=tf.placeholder('float',[None,10])

#网络权值参数，待训练拟合
w=tf.Variable(tf.zeros([784,10]))
#偏置参数，待训练拟合
b=tf.Variable(tf.zeros([10]))
#根据网络模型实际输出
y=tf.nn.softmax(tf.matmul(x,w)+b)

#损失函数，代价函数，类似机器学习中的准则函数
loss=-tf.reduce_sum(yLabel*tf.log(y))
#优化器采用梯度下降，优化准则为最小化损失函数
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(loss)

#模型预测正确与否的序列
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(yLabel,1))
#模型预测的正确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,'float'))

#tensorflow中的变量初始化，这是基础
init=tf.global_variables_initializer()
with tf.Session() as sess:
	with tf.device("/cpu:0"):
		sess.run(init)
		for i in range(1000):
			batch_xs,batch_ys=mnist.train.next_batch(100)
            #使用训练集的batch执行训练
			sess.run(train_step,feed_dict={x:batch_xs,yLabel:batch_ys})
            #使用测试集计算模型损失值和预测正确率
			lossValue,accuracyValue=sess.run([loss,accuracy],feed_dict={x:mnist.test.images,yLabel:mnist.test.labels})
            #使用测试集计算模型的预测结果
			prediction_result=sess.run(tf.argmax(y,1),feed_dict={x:mnist.test.images})
        
        #打印模型最终的损失值和计算结果
        print("loss is ：{0},acc is:{1} ".format(lossValue,accuracyValue))