数据集以及模型介绍
MNIST 数据集: Google实验室的Corinna Cortes和纽约大学柯朗研究所的Yann LeCun建的手写数字数据库,训练库有60,000张手写数字图像,测试库有10,000张。
每一个MNIST数据单元有两部分组成:一张包含手写数字的图片和一个对应的标签。我们把这些图片设为“xs”,把这些标签设为“ys”。训练数据集和测试数据集都包含xs和ys,比如训练数据集的图片是mnist.train.images ,训练数据集的标签是 mnist.train.labels。每张图片包含28*28的像素点,把矩阵“拉伸”成为向量就可以得到28*28=784的张量。
在训练集合中,我们会得到一个 mnist.train.images : [60000 , 784 ]的张量,第一个维度是图片的索引,第二个是图片中的像素点(0-1);
训练集合中的标签[0-9]用 one-hot vectors 的方式表示, 例标签0 表示([1,0,0,0,0,0,0,0,0,0])因此mnist.train.labels :[60000,10] 的张量;
SoftMax Regression模型介绍:
模型得到是分到每一个类别的概率,回归分为两步:
Step1: 得到“证据”evidence
权重 :首先对图片像素值加权求和,如果该像素强有力的说明该图片属于该类别,那么权重为正数,否则为负值。
偏置(bias):手写的图片有一定的干扰量,加入偏置b
此时证据Evidence 表示为:
其中 wi,j 代表权重, bi 代表偏置.
Step2: 利用 softmax函数把evdi转换成概率y:
y = softmax(evdi)
softmax 函数可以看做是激励函数,把定义的线性函数的输出转换成我们需要的格式,即关于0-9折是个数字的概率分布。定义softmax函数为:
展开右边可以得到:
用向量表示这个计算过程,公式1:
模型的实现
首先整体代码片如下:
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import gzip
import os
import tempfile
import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
x = tf.placeholder(tf.float32, [None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W)+b)
y_ = tf.placeholder("float",[None,10])
cross_entropy = -tf.reduce_sum(y_ *tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict ={x:batch_xs,y_:batch_ys})
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print (sess.run(accuracy,feed_dict={x:mnist.test.images, y_:mnist.test.labels}))
分段介绍:
下载MNIST数据集
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import gzip
import os
import tempfile
import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
创建符号变量描述交互的操作单元
其中x是一个28*28 = 784的向量, W是权重 784(x)x 10(y) ,b是偏置
import tensorflow as tf
x = tf.placeholder(tf.float32, [None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
定义模型的实现,对应公式1
y = tf.nn.softmax(tf.matmul(x,W)+b)
训练模型:定义指标评估模型的好坏–交叉熵:
其中 y 是预测的概率分布,
y_ = tf.placeholder("float",[None,10])
cross_entropy = -tf.reduce_sum(y_ *tf.log(y))
随后我们TensorFlow来实现模型,TensorFlow有一张描述计算单元的图,自动的使用反向传播算法有效的确定变量如何影响模型,根据我们选择的优化算法为例不断的修改变量降低成本,在这里我们采用梯度下降的方法,学习速率设置为0.01.
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
初始化我们创建的所有变量,训练模型(循环1000次),在每个循环中会随机抓取数据中的100个批处理数据点,用这些点替换之前定义的占位符运行train_step
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict ={x:batch_xs,y_:batch_ys})
评估模型:交叉验证
TensorFlow中的argmax函数给出一个张量中最大值所在的索引值,我们可以用这个函数判断我们的模型预测的类别标签值,判断与真实值是否一样即可。结果转化为浮点型。
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print (sess.run(accuracy,feed_dict={x:mnist.test.images, y_:mnist.test.labels}))
输出如下:(如果是第一次运行还会出现下载的信息)
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
0.9146