PAI的示例项目MNIST详解

PAI的示例项目MNIST详解

本文将详细的介绍PAI的示例项目：MNIST手写数字识别项目的代码，详细代码链接请见文章最后。

目录

MNIST 项目介绍

   MNIST是机器学习中的Hello world，前期准备要了解Softmax (multinomial logistic ) regression。

MNIST的是一个简单的计算机视觉数据集，它包含一系列手写数字图片，我们将训练一个模型识别图片中的数字。

我们本次目的不是训练一个精准模型，以达到稳定的高性能，而是学会如何使用Tensorflow解决简单的问题，以及如何使用PAI平台运行深度学习项目。

本文将完成以下任务：

• 了解MNIST数据以及Softmax Regression

• 构建一个模型，根据图片的像素识别数字

• 基于上千个样例，使用TensorFlow训练模型识别数字

• 使用测试数据检验正确性

• 在PAI平台上顺利运行该项目

MINIST 数据集

数据集可从 http://yann.lecun.com/exdb/mnist/ 中下载。

数据集中训练集中有60000个数据点，测试集有10000个数据点。

每个MNIST数据点有两个部分：手写的数字图片和其相应的标签，将图片作为x, 标签作为y。

每张图片为28x28像素，图片和对应矩阵的关系如下图所示：

=

可见图像和28*28的矩阵相对应。

每个图片有一个相应的标签，为0-9，对应的是0-9的10个数字，每个标签抽象为“one-hot vectors” （指只有一个维度为1其他维度都为0的向量），如类别为1的图片对应的类别向量为 [0 1 0 0 0 0 0 0 0 0] 。

Softmax Regression

   Softmax Regression是Logistic回归的推广，Logistic回归是处理二分类问题的，而Softmax Regression是处理多分类问题的。

Logistic回归是处理二分类问题的比较好的算法，具有很多的应用场合，如广告计算等。Logistic回归利用的是后验概率最大化的方式去计算权重。

多分类模型的输出结果为该样本属于k个类别的概率，从这k个概率中我们选择最优的概率对应的类别（通常选概率最大的类别），作为该样本的预测类别。

代码分析

在Python数值计算中，经常会使用到一些别的库,像numpy，在python外进行昂贵的操作，如矩阵计算。但是Python内外的数据交互会使得高的开销，为避免这些，Tensorflow使用先描述计算图，后再一起计算的方式。
所以Tensorflow中代码运行顺序取决于会话中的代码顺序，而非整个文件中的代码顺序。

import os
import sys
import argparse

import tensorflow as tf

FLAGS = None

导入了需要用的库，其中FLAGS是PAI平台中需要使用的量。

def read_image