Tensorflow（1）：MNIST识别自己手写的数字--入门篇（Softmax回归）

最新推荐文章于 2024-09-20 20:07:27 发布

雨寒sgg

最新推荐文章于 2024-09-20 20:07:27 发布

阅读量1.9k

点赞数 1

分类专栏： Deep Learning 文章标签： MNIST tensorflow 机器学习深度学习自己手写

本文链接：https://blog.csdn.net/u011389706/article/details/81223784

版权

Deep Learning 专栏收录该内容

2 篇文章 1 订阅

订阅专栏

机器学习入门都是从MNIST开始，Tensorflow官方社区提供了十分详细的教程【MNIST机器学习入门】。但是我们显然不满足于仅仅把官方的代码复制一遍然后输出个结果，我们想能不能实现自己手写数字的识别。
本文作为Tensorflow入门，结合官方代码，利用Softmax回归函数，实现模型的训练、保存、以及重新加载，完成对自己手写数字的识别。

1.模型训练及保存

模型我们采用Softmax回归函数，具体代码参考【MNIST机器学习入门】，这里用梯度下降算法以0.01学习率最小化交叉熵对模型进行1000次训练。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)  # 插入数据

# name在保存模型时非常有用
x = tf.placeholder("float", [None, 784], name='x') 
W = tf.Variable(tf.zeros([784, 10]), name='W')  
b = tf.Variable(tf.zeros([10]), name='b')
y = tf.nn.softmax(tf.matmul(x, W) + b, name='y')  # y预测概率分布

y_ = tf.placeholder("float", [None, 10])  # y_实际概率分布

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))  # 交叉熵
# 梯度下降算法以0.01学习率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)  
init = tf.initialize_all_variables()  # 初始化变量

sess = tf.Session()
sess.run(init)
saver = tf.train.Saver()

for i in range(1000):  # 开始训练模型，循环1000次
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
saver.save(sess, 'minst_model.ckpt')  # 保存模型

在代码最前面，定义张量（变量）时，我们给每个张量（变量）都加了name关键字，这个对我们后期再次加载模型很重要。
在最后，我们利用saver.save()函数，保存模型。模型名称为minst_model.ckpt。之后我们可以在文件夹下看到4个文件：

checkpoint: 保存目录下所有模型文件列表
minst_model.ckpt.meta ：保存了计算图的结构，可以理解为模型的结构
minst_model.ckpt.index 和 minst_model.ckpt.data-00000-of-00001：保存了模型中所有变量的值.

2.模型加载

保存好模型之后，我们利用自己的图片对模型进行测试。我们利用windows自带的画图软件，进行数字手写，并保存成28*28像素的png图片。例如0，1，2手写体图片，如下图所示：

整个测试代码如下：

from PIL import Image, ImageFilter
import tensorflow as tf

def imageprepare():
    file_name = 'pic/2-3.png'  # 图片路径
    myimage = Image.open(file_name).convert('L')  # 转换成灰度图
    tv = list(myimage.getdata())  # 获取像素值
    # 转换像素范围到[0 1], 0是纯白 1是纯黑
    tva = [(255-x)*1.0/255.0 for x in tv] 
    return tva

result = imageprepare()
init = tf.global_variables_initializer()
saver = tf.train.Saver

with tf.Session() as sess:
    sess.run(init)
    saver = tf.train.import_meta_graph('minst_model.ckpt.meta')  # 载入模型结构
    saver.restore(sess,  'minst_model.ckpt')  # 载入模型参数

    graph = tf.get_default_graph()  # 计算图
    x = graph.get_tensor_by_name("x:0")  # 从模型中获取张量x
    y = graph.get_tensor_by_name("y:0")  # 从模型中获取张量y

    prediction = tf.argmax(y, 1)
    predint = prediction.eval(feed_dict={x: [result]}, session=sess)
    print(predint[0])

在加载模型时，我们先用tf.train.import_meta_graph()载入模型的结构，之后利用saver.restore()加载模型的训练好的参数。graph.get_tensor_by_name()依照名字（name）从模型中获取张量。所以前面在保存模型时我们给每个张量和变量都加了name关键字。
关于如何保存和加载训练模型可以参见博客【TensorFlow保存还原模型的正确方式】