Google机器学习笔记（七）TF.Learn 手写文字识别
mnist问题
- 计算机视觉领域的Hello world
- 给定55000个图片，处理成28*28的二维矩阵，矩阵中每个值表示一个像素点的灰度，作为feature
- 给定每张图片对应的字符，作为label，总共有10个label，是一个多分类问题
TensorFlow
- 可以按教程用Docker安装，也可以直接在Linux上安装
- 你可能会担心，不用Docker的话怎么开那个notebook呢？其实notebook就在主讲人的Github页上
- 可以用这个Chrome插件:npviewer直接在浏览器中阅读ipynb格式的文件，而不用在本地启动iPython notebook
- 我们的教程在这里：ep7.ipynb
- 把代码从ipython notebook中整理出来：tflearn_mnist.py
代码分析
- 下载数据集
mnist = learn.datasets.load_dataset('mnist')恩，就是这么简单，一行代码下载解压mnist数据，每个img已经灰度化成长784的数组，每个label已经one-hot成长度10的数组
在我的深度学习笔记看One-hot是什么东西
- numpy读取图像到内存，用于后续操作，包括训练集（只取前10000个）和验证集
data = mnist.train.images
labels = np.asarray(mnist.train.labels, dtype=np.int32)
test_data = mnist.test.images
test_labels = np.asarray(mnist.test.labels, dtype=np.int32)
max_examples = 10000
data = data[:max_examples]
labels = labels[:max_examples]- 可视化图像
def display(i):
img = test_data[i]
plt.title('Example %d. Label: %d' % (i, test_labels[i]))
plt.imshow(img.reshape((28, 28)), cmap=plt.cm.gray_r)
plt.show()用matplotlib展示灰度图
- 训练分类器
- 提取特征（这里每个图的特征就是784个像素值）
feature_columns = learn.infer_real_valued_columns_from_input(data)- 创建线性分类器并训练
classifier = learn.LinearClassifier(feature_columns=feature_columns, n_classes=10)
classifier.fit(data, labels, batch_size=100, steps=1000)注意要制定n_classes为labels的数量
- 分类器实际上是在根据每个feature判断每个label的可能性，
- 不同的feature有的重要，有的不重要，所以需要设置不同的权重
- 一开始权重都是随机的，在fit的过程中，实际上就是在调整权重
- 最后可能性最高的label就会作为预测输出
- 传入测试集，预测，评估分类效果
result = classifier.evaluate(test_data, test_labels)
print result["accuracy"]速度非常快，而且准确率达到91.4%
可以只预测某张图，并查看预测是否跟实际图形一致
# here's one it gets right
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[0]), test_labels[0]))
display(0)
# and one it gets wrong
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[8]), test_labels[8]))
display(8)- 可视化权重以了解分类器的工作原理
weights = classifier.weights_
a.imshow(weights.T[i].reshape(28, 28), cmap=plt.cm.seismic)
- 这里展示了8个张图中，每个像素点（也就是feature）的weights，
- 红色表示正的权重，蓝色表示负的权重
- 作用越大的像素，它的颜色越深，也就是权重越大
- 所以权重中红色部分几乎展示了正确的数字
Next steps
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2016-08-18 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读