Tensorflow最基础的实例为MNIST手写数字的识别,本文详细讲解每一步来加深对tensorflow的理解。
MNIST手写数字的数据由28*28的像素点组成,每个数据为28*28=784维的特征。首先调出数据集.
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
每个数据包括一个images表示像素点,与一个labels表示所代表的数字。
使用Softmax Regression算法训练手写数字识别分类模型。Softmax Regression会对每一种类别估算出一个概率,最后取最大概率作为输出结果。其工作原理为,将可以判定为某类的特征相加,然后将这些特征转化为判定这一类的概率。上述特征可通过一些简单的方法得到,例如对所有像素求一个加权和,权重是训练学习出来的。
featurei=∑jWi,jxj+bi
接下来对特征计算softmax,在进行标准化
softmaxi(featurei)=exp(featurei)∑jexp(featurej)
写成简洁形式为:
y=softmax(Wx+b)
完成带注释代码如下:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) #调入数据集
x = tf.placeholder(tf.float32,[None,784]) #设置成可输入的变量
w = tf.Variable(tf.zeros([784,10])) #权值,在训练中调整
b = tf.Variable(tf.zeros([10])) #bias
y = tf.nn.softmax(tf.matmul(x,w)+b) #softmax 算法
y_ = tf.placeholder(tf.float32,[None,10]) #期望输出值
cross_entropy = -tf.reduce_sum(y_*tf.log(y)) #cross-entropy 交叉熵,用来表示计算值与期望值的偏差
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) #梯度下降优化器,来使交叉熵最小
init = tf.global_variables_initializer() #初始化变量
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}) #训练
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) #判断是否正确
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #cast将bool变量变为float32变量,取正确率的平均值
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels})) #输出正确率