tensorflow学习笔记：分类学习

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。