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. ,… … …])

2.5 mnist.train.next_batch()：将数据输入神经网络

例如：

BATCH_SIZE = 200
xs,ys = mnist.train.next_batch(BATCH_SIZE) 
print ('xs shape:',xs.shape)   #输出结果：xs.shape(200,784)
print ('ys shape:',ys.shape)   #输出结果：ys.shape(200,10)

• mnist.train.next_batch()函数：
  • 包含一个参数 BATCH_SIZE，表示随机从训练集中抽取 BATCH_SIZE 个样本输入神经网络，并将样本的像素值和标签分别赋给 xs 和 ys。
  • 在本例中，BATCH_SIZE 设置为 200，表示一次将 200 个样本的像素值和标签分别赋值给 xs 和 ys，故 xs 的形状为(200,784)，对应的 ys 的形状为(200,10)

3. 实现“Mnist 数据集手写数字识别”的常用函数

3.1 tf.get_collection(’’ ‘’)

• tf.get_collection(“”)函数表示从 collection 集合中取出全部变量生成一个列表

3.2 tf.add( )

• tf.add( )函数表示将参数列表中对应元素相加。
• 例如：

x = tf.constant([[1,2], [1,2]]) 
y = tf.constant([[1,1], [1,2]]) 
z = tf.add(x, y)
print (z)
#输出结果：[[2,3], [2,4]]

3.3 tf.cast(x,dtype)

• tf.cast(x,dtype)函数表示将参数 x 转换为指定数据类型。
• 例如：

A = tf.convert_to_tensor(np.array([[1,1,2,4], [3,4,8,5]])) 
print (A.dtype) 
b = tf.cast(A, tf.float32) 
print (b.dtype)
#结果输出：矩阵 A 由整数型变为 32 位浮点型
<dtype: 'int64'>
<dtype: 'float32'>

3.4 tf.equal( )

• tf.equal( )函数表示对比两个矩阵或者向量的元素。若对应元素相等，则返回 True；若对应元素不相等，则返回 False。
• 例如：

A = [[1,3,4,5,6]] 
B = [[1,3,4,3,2]] 
with tf.Session( ) as sess: 
print(sess.run(tf.equal(A, B)))
#输出结果：[[ True True True False False]]
#在矩阵 A 和 B 中，第 1、2、3 个元素相等，第 4、5 个元素不等，故输出结果中，第 1、2、3 个元素取值为 True，第 4、5 个元素取值为 False

3.5 tf.reduce_mean(x,axis)

• tf.reduce_mean(x,axis)函数表示求取矩阵或张量指定维度的平均值。若不指定第二个参数，则在所有元素中取平均值；若指定第二个参数为 0，则在第一维元素上取平均值，即每一列求平均值；若指定第二个参数为 1，则在第二维元素上取平均值，即每一行求平均值。
• 例如：

x = [[1., 1.][2., 2.]]
print(tf.reduce_mean(x))   #输出结果：1.5
print(tf.reduce_mean(x, 0))   #输出结果：[1.5, 1.5]
print(tf.reduce_mean(x, 1))   #输出结果：[1., 1.]

3.6 tf.argmax(x,axis)

• tf.argmax(x,axis)函数表示返回指定维度 axis 下，参数 x 中最大值索引号。
• 例如：
  在 tf.argmax([1,0,0],1)函数中，axis 为 1，参数 x 为[1,0,0]，表示在参数 x的第一个维度取最大值对应的索引号，故返回 0

3.7 os.path.join()

• os.path.join()函数表示把参数字符串按照路径命名规则拼接。
• 例如：

import os
os.path.join('/hello/','good/boy/','doiido')   #输出结果：'/hello/good/boy/doiido

3.8 字符串.split( )

• 字符串.split( )函数表示按照指定“拆分符”对字符串拆分，返回拆分列表。
• 例如：

'./model/mnist_model-1001'.split('/')[-1].split('-')[-1]
#输出结果：1001

• 在该例子中，共进行两次拆分。第一个拆分符为‘/’，返回拆分列表，并提取列表中索引为-1 的元素即倒数第一个元素；
• 第二个拆分符为‘-’，返回拆分列表，并提取列表中索引为-1 的元素即倒数第一个元素，故函数返回值为 1001

3.9 tf.Graph( ).as_default( )

• tf.Graph( ).as_default( )函数表示将当前图设置成为默认图，并返回一个上下文管理器。
  • 该函数一般与 with 关键字搭配使用，应用于将已经定义好的神经网络在计算图中复现。
• 例如：

with tf.Graph().as_default() as g   #表示将在 Graph()内定义的节点加入到计算图 g 中

4. 神经网络模型的保存

• 在反向传播过程中，一般会间隔一定轮数保存一次神经网络模型，并产生三个文件（保存当前图结构的.meta 文件（神经网络的网络结构）、保存当前参数名的.index 文件、保存当前参数（网络的权值，偏置，操作等）的.data 文件）
• 在 Tensorflow 中如下表示：

saver = tf.train.Saver()   #实例化 saver 对象
with tf.Session() as sess: 
	for i in range(STEPS): 
		if i % 轮数 == 0: 
			saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)    #神经网络每循环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在存放网络模型的文件夹名称中注明保存模型时的训练轮数

5. 神经网络模型的加载

• 在测试网络效果时，需要将训练好的神经网络模型加载
• 在 Tensorflow 中这样表示：

#在 with 结构中进行加载保存的神经网络模型，若ckpt和保存的模型在指定路径中存在，则将保存的神经网络模型加载到当前会话中。
with tf.Session() as sess: 
	ckpt = tf.train.get_checkpoint_state(存储路径) 
	if ckpt and ckpt.model_checkpoint_path: 
		saver.restore(sess, ckpt.model_checkpoint_path) 

6. 加载模型中参数的滑动平均值

• 在保存模型时，若模型中采用滑动平均，则参数的滑动平均值会保存在相应文件中。通过实例化 saver 对象，实现参数滑动平均值的加载
• 在 Tensorflow 中如下表示：

ema = tf.train.ExponentialMovingAverage(滑动平均基数)
ema_restore = ema.variables_to_restore() 
saver = tf.train.Saver(ema_restore) 

7. 神经网络模型准确率评估方法

• 在网络评估时，一般通过计算在一组数据上的识别准确率，评估神经网络的效果。
• 在 Tensorflow 中这样表示：

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

• y ：
  • 表示在一组数据（即 batch_size 个数据）上神经网络模型的预测结果
  • y 的形状为[batch_size,10]，每一行表示一张图片的识别结果。
• tf.argmax()：取出每张图片对应向量中最大值元素对应的索引值，组成长度为输入数据 batch_size 个的一维数组
• tf.equal()：判断预测结果张量和实际标签张量的每个维度是否相等，若相等则返回 True，不相等则返回 False。
• tf.cast() ：将得到的布尔型数值转化为实数型
• tf.reduce_mean()：求平均值，最终得到神经网络模型在本组数据上的准确率。