tensorflow入门案例详解——MNIST神经网络识别

1. MNIST下载


去官网http://yann.lecun.com/exdb/mnist/ 下载4个文件：训练图像集/训练标签集/测试图像集/测试标签集
在tensorflow example mnist的目录下面新建MNIST_data文件夹，然后把下载的4个MNIST数据集复制进去。例如我电脑上的路径如下：


C:\Users\Administrator\Anaconda3\envs\tensorflow\Lib\site-packages\tensorflow\examples\tutorials\mnist\MNIST_data


2. tensorflow MNIST代码分析


import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf


#数据读取与加载
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


#创建计算图，每个operate是图中的一个节点。类似变量的声明，占位符与变量的区别是变量更灵活，可在计算中修改
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))


#softmax方法是一个通用化的sigmoid方法，就是一个通用的逻辑回归函数，softmax主要应用在多分类，sigmoid主要应用在二值分类
y = tf.nn.softmax(tf.matmul(x,W) + b)y_ = tf.placeholder("float", [None,10])


#定义交叉熵，交叉熵衡量两个分布的差异性，这个值的最小值等于真实值y_的熵
还有相对熵的概念，相对熵=交叉熵- y的熵，所以相对熵的最小值是0，这时候表明，预测的y的分布与真实值y_的分布完全一样
cross_entropy = -tf.reduce_sum(y_*tf.log(y))


#梯度下降法来最小化交叉熵，这里步长0.01
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)


#变量初始化并启动会话
init = tf.global_variables_initializer()
sess = tf.Session()sess.run(init)


#迭代训练模型的次数，这里每次next_batch随机抽样100份数据，用feed_dict把数据传给最开始定义的x
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})


#预测值评估，检查准确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


感兴趣的朋友想与我交流的话可以加群R语言＆大数据分析456726635，或者加群Python & Spark 636866908。