tensorflow学习：mnist图片分类，并打印预测精度

最新推荐文章于 2024-04-16 10:46:37 发布

qoopqpqp

最新推荐文章于 2024-04-16 10:46:37 发布

阅读量1.7k

点赞数

分类专栏：机器学习 tensorflow 文章标签： tensorflow 机器学习

本文链接：https://blog.csdn.net/qoopqpqp/article/details/75172811

版权

本文介绍了如何运用TensorFlow进行MNIST手写数字图像的分类，通过softmax函数实现模型训练，并详细说明了如何计算预测的准确性。

摘要由CSDN通过智能技术生成

使用softmax对mnist图片分类，并获取预测的准确度

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

x_data = tf.placeholder(tf.float32, [None, 28 * 28])
y_data = tf.placeholder(tf.float32, [None, 10])

#创建一个隐藏层，输入数据：x_data， 输出10个神经元，激励函数使用softmax
prediction = tf.layers.dense(x_data, 10, tf.nn.softmax)

# tf.reduce_sum的用法
# x is [[1, 1, 1]
#       [1, 1, 1]]
# tf.reduce_sum(x) => 6
# tf.reduce_sum(x, 0) => [2, 2, 2]
# tf.reduce_sum(x, 1) => [3, 3]

#损失函数，一般softmax和交叉熵损失配合使用
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_data * tf.log(prediction), reduction_indices=[1]))
#cross_entropy = tf.reduce_mean(-y_data * tf.log(prediction))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

def computer_accuracy(x_input, y_input):
    &#