TensorFlow实战（一）手写数字识别

TensorFlow实战：

第一章是基础，没什么好看的，跳过出，第二章是说TensorFlow和其他的模块，比如caffe等，caffe以前也说过，比较容易，但是配置比较麻烦（CPU的容易点，gpu比较麻烦）

第三章：简单说一下安装吧，就行在命令行输入(前提是你已经有python)

pip install tensorflow

第一个例子就是手写数字的识别，准确率不是太高，92%左右，具体操作如下。

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

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
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 784])

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x, W) + b)

y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

tf.global_variables_initializer().run()

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run({x: batch_xs, y_: batch_ys})

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

上面是整体代码：

我们会对其一步一步介绍：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

这个命令是从网上直接下载数据，下载完的数据会存储在mnist中。

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

#把数据的测试数据集显示出来，结果是(55000, 784) (55000, 10)，表示有55000个测试图片，28*28,10个标签
print(mnist.test.images.shape, mnist.test.labels.shape)

#(10000, 784) (10000, 10)
print(mnist.validation.images.shape, mnist.validation.labels.shape)

#(5000, 784) (5000, 10)

  28*28写成784的原因：

答：这里丢弃了图片的二 维结构方面的信息，只 是把一张图片变成一个很长的1维向量。读者可能会问，图片的空间结构信息不是很有价值吗，为什么我们要丢弃呢？因为这个数据集的分类任务比较简单，同时也是我们使用TensorFlow的第一次尝试， 我们 不需要建立一个太复杂的模型 ，所以简化了问题，丢弃空间结构的信息。后面的章节将使用卷积神经网络对空间结构信息进行利用，并取得更高的准确率。我们将图片展开成l维向量时 ，顺序并不重要，只要每一张图片都是用同样的顺序进行展开的 就可以。

import tensorflow as tf
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 784])

#输入数据的地方

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

#TensorFlow的输入变量，这里是初始化的输入参数

y = tf.nn.softmax(tf.matmul(x, W) + b)

#输入x是，输出的量，softmax是多分类的激励函数

y_ = tf.placeholder(tf.float32, [None, 10])

#输入的真实数据的标签。

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

#计算损失函数，这里用的是交叉熵（有些用的是二范数），我其中一篇博客讲了它们的优缺点。

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#优化算法

tf.global_variables_initializer().run()

#全局参数初始化

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run({x: batch_xs, y_: batch_ys})


correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))


accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

我的实验结果准确率是91.8%