mnist_tf

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
  $H_{y '}(y) = -\sum_{i} y'_i log(y_i)$

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