1.Mnist介绍
- 训练集数据+训练集标签6万
- 测试集数据+测试集标签1万
每张:28*28,转化为一个向量=28*28=784,所以得到训练集大小:60000*784的张量。某个像素值是0~1之间。
one-hot vector:3=[0,0,0,1,0,0,0,0,0,0]表示标签,训练集的标签是一个矩阵【60000,10】
神经网络(只有输入层1个和输出层10个)
2.Softmax函数
3.手写体识别
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据(可以是某盘的绝对路径)(我的数据存储在运行路径下)
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径:
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
#每个批次100张照片 每个批次的大小
batch_size = 100
#计算一共有多少个批次 (整除符号)
n_batch = mnist.train.num_examples // batch_size
#定义两个placeholder,None=100批次
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络(这里只是2层)
#输入层784个神经元,输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)#得到很多概率(对应标签的10个概率)
#二次代价函数(如果输出神经元是线性的,适合用二次代价函数)
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失(交叉熵函数)如果输出神经元是S型的,适合用交叉熵函数(对数似然函数) 正确率是92.17%
#在训练过程中 调整参数比较合理,收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降法(0.2的学习率)
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#定义一个求准确率的方法
#结果存放在一个布尔型列表中(比较两个参数是否相等,是返回true)
#tf.argmax(prediction,1)返回最大的值(概率是在哪个位置)所在的位置,标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1 就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率(bool类型是true和false)转化为浮点型 显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
sess.run(init)
#迭代21个周期
for epoch in range(20):#每个图片训练21次
for batch in range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
#把训练数据feed数据喂给网络
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
#把测试数据feed数据喂给网络
acc = sess.run(accuracy,feed_dict = {x:mnist.test.images,y:mnist.test.labels})
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
4.模型需优化处:
在不使用LSTM、CNN网络的情况下,修改哪些参数可以将结果准确率提高到95%以上?
- batch_size的大小的修改
- 隐层设置(包括隐层神经元个数,激活函数的设置)
- 权值的初始值的设置
- 代价函数的设置(代码中已经体现,当输出神经元是线性的:二次代价函数;当输出神经元是S型的:交叉熵代价函数)不同的代价函数,输出结果的精确度不同,显然,手写体是S型,更适用交叉熵代价函数,准确度提升了若干百分点
- 学习率的参数修改
- 训练方法的修改(这里是梯度下降法,或者别的方法)
- 训练次数 epoch的修改