TensorFlow 入门教程（五） Classification分类学习——以mnist手写数字识别为例

之前所有内容都是线性回归，即预测分布是一个连续分布的值；而分类，则不同，输出为多个标签的分类结果。

实现步骤

1. 利用 placeholder 为输入（xs）和输出（ys）占位（注意参数）

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None, 784]) # 28x28,784像素点
ys = tf.placeholder(tf.float32, [None, 10]) #10为图像的标签数量，为类别数

2. 定义神经网络层，损失函数

# add output layer
prediction = add_layer(xs, 784, 10,  activation_function=tf.nn.softmax)
#softmax一般用于图像分类
# the error between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))       # loss
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()

3. 提取部分的xs与ys用于训练，提高效率

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100) #提取部分的xs与ys，提高学习速度
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels)) #输出正确率

4. 定义正确率计算函数

def compute_accuracy(v_xs, v_ys):
    global prediction
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})  #生成预测值，是一个概率
    correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
    #判断预测概率最大值的位置是否等于真实的位置，返回true或者false
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    #tf.cast()数据类型转换，cast(x, dtype, name=None)
    # 第一个参数 x:   待转换的数据（张量）
    # 第二个参数 dtype： 目标数据类型
    # 第三个参数 name： 可选参数，定义操作的名称
    #tf.reduce_mean() 在tensor的某一维度上求平均值的函数
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result

5. 运行程序，查看结果。

注：以上代码源自网络，只是对其分析解读。