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