MNIST数据集介绍及计算
MNIST数据集介绍及计算
最近也是考试多，没来得及更新文章。废话不多说，理论讲太多没啥感觉，不清楚的可以翻到前面的文章仔细看看。
MNIST数据集
MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片，
其中每一张图片都代表0~9中的一个数字。
怎么通过输入数据经过神经网络参数传到最后的过程？
下载：
官方网站 http://yann.lecun.com/exdb/mnist/
一共4个文件，训练集、训练集标签、测试集、测试集标签
文件名称 | 大小 | 内容 |
|---|---|---|
train-images-idx3-ubyte.gz | 9,681 kb | 55000张训练集，5000张验证集 |
train-labels-idx1-ubyte.gz | 29 kb | 训练集图片对应的标签 |
t10k-images-idx3-ubyte.gz | 1,611 kb | 10000张测试集 |
t10k-labels-idx1-ubyte.gz | 5 kb | 测试集图片对应的标签 |
导入Mnist数据集
MNIST数据集在机器学习领域非常常用的，一般拿出一个模型都会在这里进行验证，所以说TensorFlow想让用户方便实验，本身就集成了这个数据集，不用额外的去下载。
创建一个mnist_cs.py文件。
怎么导入mnist数据集
# 从tensorflow里面加载MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
# 载入MNIST数据集，如果之前没有下载过，则会自动下载到相应路径
mnist = input_data.read_data_sets(‘/path/MNIST_data/’,
one_hot=True)
# 打印 Training data size: 55000，将60000数据分成训练集和验证集
print (‘training_data_size:’, mnist.train.num_examples)
# 打印 Example training data: [0. 0. 0. … 0.380 0.376 … 0.]
print (‘Example training data:’, mnist.train.images[0])打印出来是784维的向量。784是一个28*28矩阵，把它向量化了，一行一行拼在一起。
设置神经网络结构相关的参数
#输入层的节点数。对于MNIST数据集，这个等于图片的总像素=28*28
INPUT_NODE = 784
#输出层的节点数。在MNIST数据集中有0~9这10个数字类别
OUTPUT_NODE = 10
#神经网络隐藏节点数，这个是自己定的
LAYER1_NODE = 500定义获取变量函数
可以对参数进行约束，regularizer把这个参数也作为最后的损失函数losses是所有约束项的集合，最后跟目标函数一起优化。
def get_weight_variable(shape, regularizer):
# shape是变量的大小，regularizer是正则化函数。
# tf.truncated_normal_initializer是正态分布初始化函数
weights = tf.get_variable(“weights”, shape, initializer=
tf.truncated_normal_initializer(stddev=0.1))
#tf.add_to_collections 将当前变量的正则化损失加入名字为losses的集合
if regularizer != None:
tf.add_to_collections(‘losses’,regularizer(weights))
return weights定义神经网络向前传播过程
第一层前馈计算
def inference(input_tensor, regularizer):
#声明第一层神经网络的命名空间’layer1’及相关变量，并完成前向传播过程
with tf.variable_scope(‘layer1’):
weights = get_weight_variable(
[INPUT_NODE,LAYER1_NODE],regularizer)
biases = tf.get_variable(“biases”,[LAYER1_NODE],
initializer=tf.constant_initializer(0.0))
output1 = tf.matmul(input_tensor, weights)+biases
layer1 = tf.nn.relu(ouput1) #使用relu激活函数
#声明第二层神经网络的名命空间’layer2’及相关变量，并完成前向传播过程input_tensor输入图片
def inference(input_tensor, regularizer):
#声明第一层神经网络的名命空间’layer1’及相关变量，并完成前向传播过程
+
#声明第二层神经网络的名命空间’layer2’及相关变量，并完成前向传播过程
with tf.variable_scope(‘layer2’):
weights = get_weight_variable(
[LAYER1_NODE, OUTPUT_NODE], regularizer)
biases = tf.get_variable(“biases”,[OUTPUT_NODE],
initializer=tf.constant_initializer(0.0))
layer2 = tf.matmul(layer1, weights) + biases
#返回前向传播的结果
return layer2 最后一层不用激活，直接返回，是为了归一化，放到交叉熵损失函数里。
腾讯云开发者
