mnist机器学习入门–TensorFlow
1下载数据集
# 自动下载和安装MNIST数据集。
import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
2实现回归模型
import tensorflow as tf
softmax回归: y=softmax(x.w+b)
x [None,784]
w [784,10]
b [10]
x = tf.placeholder("float",[None,784]) #每张图片的像素是28*28 = 784
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
- x 不是一个特定的值,而是一个占位符,表示能够输入任意数量的mnist图像
- w 权重值
- b 偏置量
- w、b 初始化为 0
- Variable 表示一个可修改的张量
y = tf.nn.softmax(tf.matmul(x,w) + b)
定义好变量后,只需一行代码,就可实现模型
3训练模型
y_ = tf.placeholder("float", [None,10])
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
- y_ 表示实际分布(我们输入的one-hot vector)
- y 表示预测的概率分布
- cross_entropy 交叉熵:成本函数,用来评估模型
Hy′(y)=−∑iy′ilog(yi)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
用梯度下降法以0.01的学习速率最小化交叉熵
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
训练模型1000次,每次都会随机抓取训练数据中的100个批处理数据点,然后用这些数据点作为参数,替换之前的占位符来运行train_step
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"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
0.9204