tensorflow入门——前馈神经网络识别mnist手写体

寒假老师让我们学习一下tensorflow，之前没有接触过机器学习的东西，直接上手学习深度学习的tensorflow框架，刚开始是完全懵逼的。前前后后看了几本书的一些知识点。试着写了一些程序实现一些东西，比如一些简单的成绩预测等等。这个mnist手写体图片的识别，是几乎所有深度学习入门都会多少讲到的一个训练。简单的识别模型前半个月就弄出来了，最近都没时间写博客，趁着这会儿有点时间，把之前的学习成果记录一下。(由于是刚入门的学习，所以目前模型的识别率只有90%左右，比起那些高级优秀的模型的98%的识别率，我的学习之路还很长。)

实现编码：

# mnist 训练测试demo    

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib
import pandas as pd 
import  pylab
import matplotlib.pyplot as plt 
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题


'''从mnist数据集读入训练数据'''

mnist = input_data.read_data_sets('G:\deep_learning\MNIST_data\\', one_hot=True)

'''定义模型'''

x = tf.placeholder(tf.float32,[None, 784],name='input_x') #图像输入向量
w = tf.Variable(tf.zeros([784, 10]), name='w') #权值向量
b = tf.Variable(tf.zeros([10]),name='bias')  #偏置，初始化值为全零

y = tf.nn.softmax(tf.matmul(x, w) + b, name='y') # 预测结果
y_ = tf.placeholder("float", [None, 10], name='y_') #实际结果

# 计算交叉熵
cross_entropty = -tf.reduce_sum(y_*tf.log(y))
# cross_entropty = tf.reduce_sum(tf.square(y_ - y)/100)

# 使用梯度下降算法进行反向传播 学习率为 0.01
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropty)

# 初始化计算图中的变量
init = tf.global_variables_initializer()

# 建立会话 初始化变量
sess = tf.Session()
sess.run(init)


'''开始训练'''
'''开始训练模型 先训练300次'''
crs_ety = []
acc_ = []
for i in range(300):
    # 每次选取100条图片数据训练
    # batch_xs、batch_ys 分别代表 图片的像素数组 和 标签数组
    batch_xs, batch_ys = mnist.train.next_batch(100)
    result = sess.run([train_step, cross_entropty], feed_dict={x: batch_xs, y_: batch_ys})
    # 输出交叉熵
    print("cross_entropy:%f" % result[1])
    crs_ety.append(result[1])
    

    # 训练一次之后就计算一下模型的预测准确率
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    # 运行准确率计算过程 并且输出准确率
    accu = sess.run([accuracy], feed_dict={x: mnist.test.images, y_: mnist.test.labels})
    print("accuracy：%.5f" % accu[0])
    acc_.append(accu[0])

test = pd.DataFrame(data=crs_ety)
test.to_csv(r'C:\Users\ASUS\Desktop\res.csv')

plt.plot(crs_ety)
plt.xlabel('批次')
plt.ylabel('损失值')
# plt.show()
plt.savefig('crs_ety.png')
plt.text(300, 300,'cross_entropy')
plt.close()

plt.plot(acc_)
plt.xlabel('批次')
plt.ylabel('准确率')
# plt.show()
plt.savefig('acc_.png')
plt.text(300, 300, 'accuracy')

'''在tensorboard生成计算图'''
writer = tf.summary.FileWriter(r'C:\Users\ASUS\Desktop\mnist_show', sess.graph)

损失图：

准确率：