#https://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html
import tensorflow as tf
#用到MNIST数据集,使用Tensorflow导入数据集
#训练数据集(mnist.train)测试数据集(mnist.test)
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#在2.X版本的tensorflow使用1.x版本的tenorflow
import numpy as np
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights=tf.Variable(tf.random_normal([in_size,out_size]))#权重
#生成随机变量矩阵有in_size行out_size列
biases=tf.Variable(tf.zeros([1,out_size])+0.1)#偏置量
#1行out_size列的数值为0.1
#矩阵乘法
Wx_plus_b=tf.matmul(tf.cast(inputs,tf.float32),Weights)+biases
if activation_function is None:
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs
def compute_accuracy(v_xs,v_ys):#测试
global prediction#全局变量
y_pre=sess.run(prediction,feed_dict={xs:v_xs})
correct_prediction=tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
#tf.argmax(y_pre,1)返回的是模型对于任一输入x预测到的标签值 tf.argmax(v_ys,1) 代表正确的标签
#用 tf.equal 来检测我们的预测是否真实标签匹配
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#tf.reduce_mean()计算张量某一维度上的平均值tf.cast()将bool转化float
result=sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys})
return result#得出测试结果
xs=tf.placeholder(tf.float32,[None,784])#28*28训练数据集的图片
ys=tf.placeholder(tf.float32,[None,10])#训练数据集的标签(这里的None表示此张量的第一个维度可以是任何长度的。)
#输出层
prediction=add_layer(xs,784,10,activation_function=tf.nn.softmax)
#loss
#交叉熵
cross_entropy=tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess=tf.Session()
sess.run(tf.initialize_all_variables())
for i in range(1000):
batch_xs,batch_ys=mnist.train.next_batch(100)#随机抓取训练数据中的100个批处理数据点
sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
if i %50==0:
print(compute_accuracy(mnist.test.images,mnist.test.labels))
MNIST入门
最新推荐文章于 2022-04-10 09:53:00 发布