【TensorFlow】3-2构建简单单层神经网络进行【训练识别MNIST】

1 自动下载并转化MNIST数据集格式到TF中

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

#载入MNIST数据集，如果不存在，将自动在默认网址下载,并被TF简单处理
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#导入数据集后，60000个数据，自动分为了55000 train_data 10000 test_data.
# 50000 train_data中有分出5000个作为训练过程的valiadtion
n_train =mnist.train.num_examples
n_test =mnist.test.num_examples
n_validtion=mnist.validation.num_examples
image_data =mnist.train.images[0]
label_data =mnist.train.labels[0]

print ("n_train,n_validtion,n_test",n_train,n_validtion,n_test)
#输出（55000,5000,10000）
print("image_data",image_data)
#输出28*28的矩阵，值为[0,1]之间
print("image_label",label_data)
#输出[0.,0.,0.,0.,0.,0.,0.,1.,0.,0.]

#数据集从数据集中提取出一小部分随机训练
batch_size=100
xs,ys=mnist.train.next_batch(batch_size)
print("X shape:",xs.shape)  #输出 [100,784]
print("Y shape:",ys.shape)  #输出 [100,10]

2.训练结果与完整代码

# -*- coding: utf-8 -*-

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

#载入MNIST数据集，如果不存在，将自动在默认网址下载
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#导入数据集后，60000个数据，自动分为了55000 train_data 10000 test_data.
# 50000 train_data中有分出5000个作为训练过程的valiadtion
n_train =mnist.train.num_examples
n_test =mnist.test.num_examples
n_validtion=mnist.validation.num_examples
image_data =mnist.train.images[0]
label_data =mnist.train.labels[0]

#print ("n_train,n_validtion,n_test",n_train,n_validtion,n_test)
##输出（55000,5000,10000）
#print("image_data",image_data)
##输出28*28的矩阵，值为[0,1]之间
#print("image_label",label_data)
##输出[0.,0.,0.,0.,0.,0.,0.,1.,0.,0.]

#数据集从数据集中提取出一小部分随机训练
batch_size=100
xs,ys=mnist.train.next_batch(batch_size)
print("X shape:",xs.shape)  #输出 [100,784]
print("Y shape:",ys.shape)  #输出 [100,10]

#定义简单的神经网络,784个输入节点，10个输出神经元，即单层神经网络
INPUT_NODE = 784
OUTPUT_NODE= 10

x=tf.placeholder(tf.float32,[None,INPUT_NODE])
y=tf.placeholder(tf.float32,[None,OUTPUT_NODE])

W1=tf.Variable(tf.zeros([INPUT_NODE,OUTPUT_NODE]))
b1=tf.Variable(tf.zeros([OUTPUT_NODE]))
prediction=tf.nn.softmax(tf.matmul(x,W1)+b1)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法优化
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#将预测结果与便签结果的对比值存于布尔列表里
#tf.arg_max按行输入最大值的索引
correct_prediction=tf.equal(tf.arg_max(prediction,1),tf.arg_max(y,1))
#求神经网络的准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


#训练神经网络
with  tf.Session()  as sess:
    #初始化变量
    sess.run(tf.global_variables_initializer())
    for epoch in range(10000):
        xs,ys=mnist.train.next_batch(batch_size)
        sess.run(train_step,feed_dict={x:xs,y:ys})
        if epoch % 1000==0:
            acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
            print("epoch:"+str(epoch)+",Test Accuracy"+str(acc))

 

训练数据，验证数据和测试数据关系【参考链接1】

• 训练数据（Training Data）：用于模型构建
• 验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用。
• 测试数据（Test Data）：用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。

tensorflow tf.argmax() 用法简介【参考链接2】

• tf.argmax(input, axis=None, name=None, dimension=None) 
• 对矩阵按行或列计算最大值 
• 四个参数： 
• 1).input：输入值 
• 2).axis：可选值0表示按列，1表示按行求最大值。axis两个参数的区别是：0是每个数组对应位置之间的比较，而1则是数组内部元素之间的比较。 
• 3).name 
• 4).默认使用axis即可.

  ---

  扩展链接

• 【TensorFlow API查询】by极客学院

• 【TensorFlow API】by官方