TensorFlow实战——Softmax分类MNIST

下面代码使用Softmax分类MNIST，并绘制准确率随训练次数变化的关系图：

（代码会自动下载MNIST数据集放在"MNIST_data/"文件夹中，若数据及存在则直接使用）

# coding:utf-8
import matplotlib.pyplot as plt

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data # 导入MNIST教学的模块

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # 读入MNIST数据
                    
x = tf.placeholder(tf.float32, [None, 784]) # 创建x，x是一个占位符（placeholder），代表待识别的图片
y_ = tf.placeholder(tf.float32, [None, 10]) # y_是实际的图像标签，同样以占位符表示。

W = tf.Variable(tf.ones([784, 10])) # 在TensorFlow中，变量的参数用tf.Variable表示
b = tf.Variable(tf.zeros([10])) # b是又一个Softmax模型的参数，我们一般叫做“偏置项”（bias）。
y = tf.nn.softmax(tf.matmul(x, W) + b) # y=softmax(Wx + b)，y表示模型的输出

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y))) # 根据y, y_构造交叉熵损失
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 有了损失，我们就可以用随机梯度下降针对模型的参数（W和b）进行优化

n = 500 # 训练次数
s = 10 # 准确率输出间隔
accuracy_list = [] # 保存准确率序列

with tf.Session() as sess: # 创建一个Session。只有在Session中才能运行优化步骤train_step。
    sess.run(tf.global_variables_initializer()) # 运行之前必须要初始化所有变量，分配内存。

    for i in range(n):# 进行1000步梯度下降
        batch_xs, batch_ys = mnist.train.next_batch(50) # 在mnist.train中取50个训练数据
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 在Session中运行train_step，运行时要传入占位符的值
        
        if i % s == 0:
            correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 正确的预测结果
            accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 计算预测准确率，它们都是Tensor
            accuracy_list.append(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) # 这里是获取最终模型的正确率，并加入准确率序列中，用来绘图

plt.plot(range(0, n, s), accuracy_list) # 绘折线图
plt.xlabel("Train Steps: n") # 加标签
plt.ylabel("Accuracy of each Train Step: accuracy") # 加标签
plt.show() # 显示折线图

结果：

附注：

tf.equal(array, array): 逐元素比较两序列

import tensorflow as tf
import numpy as np
 
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
 
with tf.Session() as sess:
    print(sess.run(tf.equal(A, B)))

结果：

[[ True  True  True False False]]

tf.argmax(array, axis): 找最大值位置，axis指定比较维度（方向）

import tensorflow as tf
import numpy as np

A = [[0,0,1],[1,0,0],[1,0,0],[0,1,0]]

with tf.Session() as sess:
    print(sess.run(tf.argmax(A, 1))) # 第二个参数，0表示第0个维度中找，1表示第1个维度中找

结果：

[2 0 0 1]

tf.cast(x,dtype): 将x转换为dtype类型