一种东西只要懂得他是如何工作的,原理是什么,那么与之类似的东西我们都可以一通百通,就比如手写数字识别被称为进入机器学习的hello world,那么我想如果我们要想学习其他的项目的话,我们只要深刻理解了其基本内涵,我想对于机器学习之路就会得心应手的。
下面来看一个完整的在ROS里边运用Tensorflow来实现手写数字的识别:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import rospy
from sensor_msgs.msg import Image
from std_msgs.msg import Int16
from cv_bridge import CvBridge
import cv2
import numpy as np
import input_data
import tensorflow as tf
class MNIST():
def __init__(self):
image_topic = rospy.get_param("~image_topic", "")
self._cv_bridge = CvBridge()
#MNIST数据输入
self.mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
self.x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量
self.W = tf.Variable(tf.zeros([784,10])) #权重,初始化值为全零
self.b = tf.Variable(tf.zeros([10])) #偏置,初始化值为全零
#进行模型计算,y是预测,y_ 是实际
self.y = tf.nn.softmax(tf.matmul(self.x, self.W) + self.b)
self.y_ = tf.placeholder("float", [None,10])
#计算交叉熵
self.cross_entropy = -tf.reduce_sum( self.y_*tf.log(self.y))
#接下来使用BP算法来进行微调,以0.01的学习速率
self.train_step = tf.train.GradientDescentOptimizer(0.01).minimize(self.cross_entropy)
#上面设置好了模型,添加初始化创建变量的操作
self.init = tf.global_variables_initializer()
#启动创建的模型,并初始化变量
self.sess = tf.Session()
self.sess.run(self.init)
#开始训练模型,循环训练1000次
for i in range(1000):
#随机抓取训练数据中的100个批处理数据点
batch_xs, batch_ys = self.mnist.train.next_batch(100)
self.sess.run(self.train_step, feed_dict={self.x:batch_xs, self.y_:batch_ys})
''''' 进行模型评估 '''
#判断预测标签和实际标签是否匹配
correct_prediction = tf.equal(tf.argmax(self.y,1),tf.argmax(self.y_,1))
self.accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#计算所学习到的模型在测试数据集上面的正确率
print( "The predict accuracy with test data set: \n")
print( self.sess.run(self.accuracy, feed_dict={self.x:self.mnist.test.images, self.y_:self.mnist.test.labels}) )
self._sub = rospy.Subscriber(image_topic, Image, self.callback, queue_size=1)
self._pub = rospy.Publisher('result', Int16, queue_size=1)
def callback(self, image_msg):
#预处理接收到的图像数据
cv_image = self._cv_bridge.imgmsg_to_cv2(image_msg, "bgr8")