首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Tensorflow解决MNIST手写数字分类问题

Tensorflow解决MNIST手写数字分类问题

作者头像
week
发布2019-02-22 15:17:54
5000
发布2019-02-22 15:17:54
举报
文章被收录于专栏:用户画像用户画像

一、参考

官网:https://www.tensorflow.org/tutorials/layers

二、GitHub源码分享

https://github.com/jxq0816/tensorflow-mnist

代码组织结构

三、MNIST数据集

1、input_data.py

该文件由谷歌提供,用于下载MNIST相关数据集,需要V**才可以访问

地址:https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/examples/tutorials/mnist/input_data.py

四、程序与实现

1、mnist.py

#coding=utf-8
import tensorflow as tf
import input_data
#----定义变量-----
# 通过操作符号变量来描述这些可交互的操作单元
# x一个占位符placeholder,我们在TensorFlow运行计算时输入这个值
# 我们希望能够输入任意数量的MNIST图像,每一张图展平成784维的向量,我们用2维的浮点数张量来表示这些图
# 这个张量的形状是[None,784](这里的None表示此张量的第一个维度可以是任何长度的)
print("define model variable ");
x = tf.placeholder("float", [None, 784])
# 一个Variable代表一个可修改的张量,存在在TensorFlow的用于描述交互性操作的图中
# 它们可以用于计算输入值,也可以在计算中被修改
# 对于各种机器学习应用,一般都会有模型参数,可以用Variable表示。
# W:权重
# 注意,W的维度是[784,10],因为我们想要用784维的图片向量乘以它以得到一个10维的证据值向量,每一位对应不同数字类。
W = tf.Variable(tf.zeros([784,10]))
# b:偏移量
# b的形状是[10],所以我们可以直接把它加到输出上面
b = tf.Variable(tf.zeros([10]))
#----定义模型-----
print("define model ");
# 用tf.matmul(X,W)表示x乘以W
# 这里x是一个2维张量拥有多个输入
# 然后再加上b,把和输入到tf.nn.softmax函数里面
# 一行代码来定义softmax回归模型,y 是我们预测的概率分布
y = tf.nn.softmax(tf.matmul(x,W) + b)
#----训练模型----
print("define train model variable ");
# y' 是实际的概率分布,添加一个新的占位符用于输入正确值
y_ = tf.placeholder("float", [None,10])
#计算交叉熵,交叉熵是用来衡量我们的预测用于描述真相的低效性
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#用梯度下降算法(gradient descent algorithm)以0.01的学习速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化我们创建的变量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
print("start to train model")
for i in range(1000):
#print(i)
 # 该循环的每个步骤中,我们都会随机抓取训练数据中的100个批处理数据点,然后我们用这些数据点作为参数替换之前的占位符来运行train_step
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# ----评估模型----
print("review model")
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}))

2、运行结果

因为我们仅仅使用了一个非常简单的模型,运行结果有点差。不过,做一些小小的改进,我们就可以得到97%的正确率。最好的模型甚至可以获得超过99.7%的准确率!

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:2019年01月14日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档