跑通最简单的手写体识别

​ 跑通最简单的手写体识别

本文中代码来自小白也能懂的手写体识别 - skyme - 博客园 (cnblogs.com),我对代码进行了一点点改动，并添上一些注释以便自己理解。

代码

# -*- coding:utf-8 -*-
import tensorflow.compat.v1 as tf #使tf2版本可以使用tf1版本的代码
tf.disable_v2_behavior()

from tensorflow.examples.tutorials.mnist import input_data
# number from 0 to 9:

mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)
#下载MNIST数据集，并且使用独热编码

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size])) #w:[784*10]
    #tf.Variable()生成Tensor
   '''
   tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
    shape: 输出张量的形状，必选
    mean: 正态分布的均值，默认为0
    stddev: 正态分布的标准差，默认为1.0
    dtype: 输出的类型，默认为tf.float32
    seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
    name: 操作的名称'''

    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) #b:[1,10]，tf里的矩阵也有广播效应，矩阵b广播后维度为[10000,10]
    '''
    tf.zeros()生一个0矩阵
    tf.zeros(shape,dtype=tf.float32,name=None)
    '''
    Wx_plus_b = tf.matmul(inputs, Weights) + biases#y_pre:[10000,10]
    #tf.matmul()矩阵乘法，本段代码是将x矩阵与w矩阵相乘，再加上b矩阵

    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)

    return outputs


# 计算准确度
def compute_accuracy(x, y):
    global prediction #使用下面定义的prediction
    correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))#得到一个内部都是True和False的矩阵
    #tf.equal()比较是否相等，相等True，不相等False
    #tf.argmax()返回最大元素的索引值
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#将内部是True和False的矩阵转换成内部对应是1和0的矩阵，由于没有指定axis，对整个矩阵求和求均值，将这个均值作为准确度
    '''
    tf.reduce_mean()用来计算均值，当axis没指定时将所有数相加求均值，当axis=0时，求出每列的元素相加后均值；当axis=1时，求出每行的元素相加后均值。
    tf.reduce_mean(input_tensor,   输入的待降维的tensor
                axis=None,         指定的轴，如果不指定，则计算所有元素的均值
                keep_dims=False,   是否保持维度
                name=None,         操作的名称
                reduction_indices=None) 在以前版本中用来指定轴，已弃用
    '''
	#tf.cast()用来转换Tensor的类型
    return accuracy


# def placeholder for inputs
xs = tf.placeholder(tf.float32, [None, 784])  # 28*28个像素 生成一个行数未知，列数为784的占位符
ys = tf.placeholder(tf.float32, [None, 10])  # 10个输出 生成一个行数未知，列数为10的占位符

# add output layer
prediction = add_layer(xs, 784, 10, tf.nn.softmax)  # softmax常用于分类
#prediction:[10000,10]

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1])) #多分类的交叉熵损失函数
#tf.reduce_sum()用于求和，参数与tf.reduce_sum()相同，用法也相似

train = tf.train.GradientDescentOptimizer(0.3).minimize(cross_entropy)
#tf.train.GradientDescentOptimizer()为梯度下降优化器，此处将学习率设置为0.3
#minimize()进行计算梯度与梯度下降两个操作，括号内输入的是损失函数，此处损失函数为交叉熵


with tf.Session() as sess:
    
    sess.run(tf.initialize_all_variables())#初始化所有变量
    
    for i in range(2000):#训练2000次
        batch_xs, batch_ys = mnist.train.next_batch(100)#每次从训练集中取出100个样本
        sess.run(train, feed_dict={xs: batch_xs, ys: batch_ys})#训练
        if i % 100 == 0:
            print(sess.run(compute_accuracy(mnist.test.images, mnist.test.labels),feed_dict={xs: mnist.test.images}))
        #每训练一百次测试一次并输出精确度

遇到No module named ‘tensorflow.examples.tutorials‘解决办法

出现这个报错的原因是因为examples文件夹下没有tutorials文件夹及内部文件

通过(9条消息) Tensorflow 2.0 !!! No module named ‘tensorflow.examples.tutorials‘解决办法，有用_微信公众号：码奋-CSDN博客中的第二种方法解决。在https://share.weiyun.com/5Hm7kxy中下载tutorials文件夹，将文件夹放到Anaconda\Lib\site-packages\tensorflow\examples\下即可运行。