Tensorflow 中 Classification 分类学习

一、参考文章

1. https://blog.csdn.net/program_developer/article/details/80290078
2. https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-01-classifier/
3. https://www.cnblogs.com/lizheng114/p/7439556.html

二、代码

import tensorflow as tf
# 准备数据库
from tensorflow.examples.tutorials.mnist import input_data
# 如果指定目录中没有数据，那么tensorflow会自动去网络上进行下载
# one-hot，就是设置一个10个元素的数组，其中只有一个是1，其他都是0，以此表示数字的标签结果
# 例如 [0,0,0,1,0,0,0,0,0,0] 表示数字 3 的标签
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
    biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
    Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:v_xs})
    # correct_prediction 中存放的是 y_pre 和 v_ys 的相同数据
    # 取得y_pre得最大概率对应的数组索引来和 v_ys 的数组索引对比，如果索引相同，则表示预测正确
    # 这里 v_ys 里存放的是 数字标签 [0000100000] 形式
    # y_pre 里存放的是 0-10 之间的数字分别出现的概率
    correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys})
    return result

# None 表示忽略样本的个数，784 表示每个样本是784 个像素点
xs = tf.placeholder(tf.float32,[None,784])
ys = tf.placeholder(tf.float32,[None,10])

# 调用 add_layer 函数搭建一个最简单的训练网络结构，只有输入层和输出层
# 经过 softmax 后数值全部转换为对应的概率
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)
# loss 函数(最优目标函数)选用 交叉熵函数
# 交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    # batch_xs 当做测试数据，batch_ys 用来对比的真实数据
    batch_xs,batch_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i % 50 ==0:
        # mnist.test.images 和 mnist.test.labels 是测试集
        print(compute_accuracy(mnist.test.images,mnist.test.labels))