TensorFlow的MNIST手写数字分类问题基础篇

最新推荐文章于 2024-01-25 09:38:53 发布

w27711766

最新推荐文章于 2024-01-25 09:38:53 发布

阅读量193

点赞数

文章标签： python

本文链接：https://blog.csdn.net/w27711766/article/details/126098466

版权

前言

导入MNIST 数据集

下载下来的数据集被分成两部分：60000 行的训练数据集 (mnist.train) 和 10000 行的测试数据集

2.读入数据

总结

前言

就像我们学习编程的第一步往往是学习敲出 "Hello World" 一样,机器学习的入门就要知道 MNIST.

MNIST 是一个入门级的计算机视觉数据集,它包含各种手写数字图片，接下来让我们看一下实现过程吧。

导入MNIST 数据集

mport input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

下载下来的数据集被分成两部分：60000 行的训练数据集 (mnist.train) 和 10000 行的测试数据集

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

计算交叉熵

x = tf.placeholder("float", [None, 784])

张量来初始化 W 和 b

W = tf.Variable(tf.zeros([784,10]))

b = tf.Variable(tf.zeros([10]))

使用softmax回归模型

y = tf.nn.softmax(tf.matmul(x,W) + b)

计算交叉熵

y_ = tf.placeholder("float", [None,10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

实现反向传播算法和梯度下降

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

余下的代码如下

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})

这个手写代码量少实现简单，但是最终结果准确率大约是 91%，准确率不够高。