MNIST 数据集输出手写数字识别准确率——介绍

1. mnist 数据集

• mnist 数据集：包含 7 万张黑底白字手写数字图片，其中 55000 张为训练集，5000 张为验证集，10000 张为测试集。每张图片大小为 28*28 像素，图片中纯黑色像素值为 0，纯白色像素值为 1。数据集的标签是长度为 10 的一维数组，数组中每个元素索引号表示对应数字出现的概率
  • 在将 mnist 数据集作为输入喂入神经网络时，需先将数据集中每张图片变为长度
    784 一维数组，将该数组作为神经网络输入特征喂入神经网络。
  • 例如：
    一张数字手写体图片变成长度为 784 的一维数组[0.0.0.0.0.231 0.235 0.459 ……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0.0.0]，标签中索引号为 6 的元素为 1，表示是数字 6 出现的概率为 100%，则该图片对应的识别结果是 6

2. 需要使用到的函数

2.1 read_data_sets()：加载 mnist 数据集

• 使用 input_data 模块中的 read_data_sets()函数加载mnist 数据集：
  • read_data_sets()函数中有两个参数
    • 第一个参数表示数据集存放路径
    • 第二个参数表示数据集的存取形式。当第二个参数为 Ture 时，表示以独热码形式存取数据集。
  • read_data_sets()函数运行时，会检查指定路径内是否已经有数据集，若指定路径中没有数据集，则自动下载，并将 mnist 数据集分为训练集 train、验证集 validation 和测试集 test 存放。

from tensorflow.examplee.tutorials.mnist import inpu_data
mnist = input_data.read_data_sets('./data/', one_hot = True)

2.2 mnist.train/validation/test.mun_examples：返回样本数

在 Tensorflow 中用以下函数返回mnist 数据集中训练集 train、验证集 validation 和测试集 test 样本数：

• 返回训练集 train 样本数

print ('train data size:', mnist.train.mun_examples)

• 返回验证集 validation 样本数

print ('validation data size:',mnist.validation.mun_examples)

• 返回测试集 test 样本数

print ('test data size:'mnist.test.mun_examples) 

2.3 返回 mnist 数据集标签

• 使用 train.labels 函数返回 mnist 数据集标签
• 例如：在 mnist 数据集中，若想要查看训练集中第 0 张图片的标签，则使用如下函数：

mnist.train.labels[0]
#输出结果：array([0.,0.,0.,0.,0.,0.,1.,0.,0.,0])

2.4 train.images[]：返回 mnist 数据集图片像素值

例如：在 mnist 数据集中，若想要查看训练集中第 0 张图片像素值，则使用如下函数：

mnist.train.images[0] 
#输出结果：array([0. ,0. ,0. ,0. ,0. ,0. ,0. ,0. ,0. ,… … …]