深度学习之MNIST数据集

深度学习是以数据为驱动的技术，在使用深度学习进行科研或者工作当中，都离不开数据集。

文章目录

• 前言
• 一、MNIST数据集是什么？
• 二、使用步骤
  • 1.下载数据集
  • 2.完整代码
• 总结

---

前言

还有一些，如人脸数据集，地球信息的数据集。数据集来源有一些比赛的数据集，如kaggle，还有一些团队公开发表的数据集。

---

一、MNIST数据集是什么？

​MNIST是一个手写体数字的图片数据集，一共统计了来自250个不同的人手写数字图片。详细信息点击https://blog.csdn.net/tony_vip/article/details/118735261

MNIST数据集官网：

 MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges

二、使用步骤

1.下载数据集

进入官网后，点击一下红色字体进行下载，将下载完的文件放入一个命名为MNIST_data的文件夹

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#需要载入数据
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

2.完整代码

代码如下（示例）：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#需要载入数据
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size


#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#定义一个二次代价函数
#loss = tf.reduce_mean(tf.square(y-prediction))
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter "+str(epoch) + ",Testing Accuracy " + str(acc))

---

总结

该方法用了一个简单的梯度下降法，单变量函数的梯度下降，求准确率。