TensorFlow实战练习

TensorFlow实现手写数字识别

前言

本人正在学习TensorFlow的使用，使用的书籍是《TensorFlow实战》-黄文坚。
这是简单的对TensorFlow实战的了解：TensorFlow用softmax regression识别手写数字。
说明：我的TensorFlow环境已经搭建好了，最基础的CPU、windows7，没有GPU模块。还没安装好环境的小伙伴请先去搜索安装方法。

《TensorFlow实战》下载链接：https://pan.baidu.com/s/1jsA5YmEo212d9lkfQ2Bc5A
提取码：esjm

MNIST数据集

本次实战需要用到MNIST数据集，数据集有两种获取方法：一种是去官网下载，另一种是直接代码下载。根据本人的使用情况，我觉得去官网下载好再用是最好的，因为代码运行的时候不需要太长的时间去加载数据。
MNIST数据集的下载如下：
手动下载：http://yann.lecun.com/exdb/mnist四个压缩包

                     train-images-idx3-ubyte.gz:  training set images (9912422 bytes) 
                     train-labels-idx1-ubyte.gz:  training set labels (28881 bytes) 
                     t10k-images-idx3-ubyte.gz:   test set images (1648877 bytes) 
                     t10k-labels-idx1-ubyte.gz:   test set labels (4542 bytes)

下载后也要解压，保存在文件夹中，文件的保存位置没有要求，加载的时候使用绝对路径就可以了。

学习心得

通过这次实战我觉得TensorFlow的大致流程可以分为以下几个部分：
1、数据集的输入
2、选用模型
3、选择合适的损失函数
4、训练模型
5、验证模型的准确率
本人第一次用TensorFlow，从啥都不懂到对TensorFlow有了一个大概印象，不得不说《TensorFlow实战》这本书是非常好用的，小白的我完全能接受，我也推荐大家使用这本书来一起学习。

全代码如下

#先下载MNIST数据保存到文件夹
#手动下载：http://yann.lecun.com/exdb/mnist四个压塑包
#
#train-images-idx3-ubyte.gz:  training set images (9912422 bytes) 
#train-labels-idx1-ubyte.gz:  training set labels (28881 bytes) 
#t10k-images-idx3-ubyte.gz:   test set images (1648877 bytes) 
#t10k-labels-idx1-ubyte.gz:   test set labels (4542 bytes)

#加载MNIST数据，先下载MNIST数据保存到文件夹里，我的保存在了'H:\MNISTdata'
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(r'H:\MNISTdata',one_hot=True)     #手动下载好之后用路径加载

print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)


import tensorflow as tf                         #载入TensorFlow库
sess = tf.InteractiveSession()                  #创建一个InteractiveSession为session,之后的运算也在session里进行
x = tf.placeholder(tf.float32,[None,784])       #创建一个输入数据的地方（数据类型，【不限制条数的输入，784维的向量】）

#给softmax regression模型中的weights和biases创建Variable对象
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

#实现Softmax Regression算法：y=softmax(Wx+b)
y = tf.nn.softmax(tf.matmul(x,W)+b)

#在TensorFlow里定义损失函数:cross-entropy（信息熵）
y_ = tf.placeholder(tf.float32,[None,10])                      #输入是真实的lable，用来计算cross-entropy
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))

#直接调用tf.train.GradientDescentOptimizer，并设置学习速率为0.5，优化目标为cross-entropy；并修改函数名为train_stap
train_stap = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#TensorFlow的全局参数初始化器tf.global_variables_initializer,并直接执行run方法
tf.global_variables_initializer().run()

#执行训练操作,从训练集中抽取100条样本构成一个mini-batch
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_stap.run({x:batch_xs, y_:batch_ys})

#验证模型的准确率
correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(y_, 1))

#统计全部样本的accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

#打印准确度
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

下一篇：链接: TensorFlow实战2.