用tensorflow实现一个手写数字数据集的分类问题,并打印出分类准确度:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
mnist = input_data.read_data_sets('MNIST', one_hot=True) # 下载数据包
# 定义每个层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, )
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
# 计算准确度的函数
def compute_accuracy(v_xs, v_ys):
global prediction
y_pre = sess.run(prediction, feed_dict={xs: v_xs}) # 生成预测值
correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1)) # 对比预测值和真实值的差别
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # cast(x,tf.float32) 将x转换为tf.float32类型的数据
result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
return result
# 为网络的输入定义placeholder
xs = tf.placeholder(tf.float32, [None, 784]) # 28*28 每张图片有784个像素点
ys = tf.placeholder(tf.float32, [None, 10]) # 每个sample有10个输出
# 添加网络层
prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)
# loss
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))
# reduction_indices作用:指定维度 不可与 axis 同时使用,否则报错
# train_step
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
init = tf.global_variables_initializer() # 一定要先初始化
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
# 从下载的数据集中提取出一部分的数据sample
# 不是每次都学习整个数据集,会非常耗时,分批次学习
sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
if i % 50 == 0:
# 打印出计算准确度
print(compute_accuracy(mnist.test.images, mnist.test.labels)) # 用测试集去测试准确度
输出结果如下:
注意其中一些函数的含义:
1)reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
第一个参数input_tensor: 输入的待降维的tensor;
第二个参数axis: 指定的轴,如果不指定,则计算所有元素的均值;
第三个参数keep_dims:是否降维度,设置为True,输出的结果保持输入tensor的形状,设置为False,输出结果会降低维度;
第四个参数name: 操作的名称;
第五个参数 reduction_indices:在以前版本中用来指定轴,已弃用;
2)cast(x, dtype, name=None) 执行张量数据类型的转换
x:要转换的对象
dtype:目标数据类型
name:可选参数,定义操作的名称
3)tf.equal(A, B)是对比这两个矩阵或者向量对应的元素是否相等,
如果是相等的那就返回True,不相等返回False,返回的值的矩阵维度和A是一样的
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session() as sess:
print(sess.run(tf.equal(A, B)) # [[ True True True False False]]
4)tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引。
• axis = 0:
axis=0时比较每一列的元素,将每一列最大元素所在的索引记录下来,最后输出每一列最大元素所在的索引数组。
• axis = 1:
axis=1的时候,将每一行最大元素所在的索引记录下来,最后返回每一行最大元素所在的索引数组。