# -*- coding: utf-8 -*-
import tensorflow as tf
#下载input_data.py源代码,运行然后下载数据集
import input_data
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)
#放置占位符
x=tf.placeholder("float",[None,784])
#创建两个变量
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
#使用TensorFlow自带的softmax回归线性模型
y=tf.nn.softmax(tf.matmul(x,w)+b)
#为了进行训练,需要把正确值一并传入网络
y_=tf.placeholder("float",[None,10])
#计算交叉墒
cross_entropy=-tf.reduce_sum(y_*tf.log(y))
#使用梯度下降算法以0.01的学习率最小化交叉墒
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化之前创建的变量的操作
init=tf.initialize_all_variables()
#启动初始化
sess=tf.Session()
sess.run(init)
#开始训练模型,循环1000次,每次都会随机抓取训练数据中的100条数据,然后作为参数替换之前的占位符来进行train_step
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})
#评估模型,tf.argmax能给出某个tensor对象在某一纬度上数据的最大索引,因为标签是由0,1组成,返回的索引就是数值为1的位置
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#计算正确预测项的比例,因为tf.equal返回的是布尔值,相等表示真,真的用ture,假的用false,使用tf.cast可以把布尔值转换成浮点数,tf.reduce_mean是求平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
#在session中启动accuracy,输入是MNIST中的测试集
print (sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))
MNIST机器学习入门完整代码
最新推荐文章于 2024-05-15 21:55:39 发布