本篇博文的内容是:搭建神经网络,在mnist数据集上训练模型,输出手写数字识别准确率
5.1
√t mnist 数据集 :包含 7 7 万张 黑底白字手写数字 图片, 其中 55000 张为训练集 ,5000 张为验证集,1 10 0000 张 为测试集 。每张图片大小为28*28 像素,图片中 纯 黑色像素值为0 , 纯 白色像素值为1 。数据集的标签是长度为 10 的一维数组,数组中每个元素 索引号表示对应数字出现的概率。
在将 mnist 数据集作为输入喂入神经网络时,需先将数据集中每张图片变为长度784 一维数组,将该数组作为神经网络输入特征喂入神经网络。
例如:
一张数字手写体图片变成长度为 784 的一维数组[0.0.0.0.0.231 0.235 0.459……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0.0.0],标签中索引号为 6 的元素为 1,表示是数字 6 出现的概率为 100%,则该图
片对应的识别结果是 6。
其他废话就不多说直接上程序,手写数字识别的程序总共有四个文件,分别是mnist_forward.py,mnist_backward.py,mnist_test.py,mnist_app.py分别是前向传播,反向传播,准确率测试和我们的手写数字识别这四个文件。
1.首先看前向传播:mnist_forward.py
#coding:utf-8
'''BP神经前向传播'''
import tensorflow as tf
INPUT_NODE = 784#神经网络的输入节点是784个,正好是28*28*1
OUTPUT_NODE = 10#输出点
LAYER1_NODE = 500#隐藏层节点的个数
#得到我们的权值矩阵函数
def get_weight(shape,regularizer):
w = tf.Variable(tf.truncated_normal(shape,stddev = 0.1))
'''如果使用正则化,则将每一个w的正则化记录到总loss中的这一行代码'''
if regularizer !=None: tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))
return w
#得到偏置项函数
def get_bias(shape):
b = tf.Variable(tf.zeros(shape))
return b
#定义前向传播的函数
def forward(x,regularizer):
w1 = get_weight([INPUT_NODE,LAYER1_NODE],regularizer)
b1 = get_bias([LAYER1_NODE])
y1 = tf.nn.relu(tf.matmul(x,w1)+b1)
w2 = get_weight([LAYER1_NODE,OUTPUT_NODE],regularizer)
b2 = get_bias([OUTPUT_NODE])
y = tf.matmul(y1,w2)+b2
return y
2.反向传播:mnist_backward.py
#coding:utf-8
#反向传播
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data #