tensorflow實戰入門題目–手寫數字的識別

這是我的第一篇部落格，有很多寫不好的地方，還請大家多多批評指正。

手寫體的示範：

匯入資料，由於mnist手寫數字在

from tensorflow.examples.tutorials.mnist import input_data   #載入Mnist,由於比較出名，所以在tensorflow裡面已有這個資料集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

輸出訓練集、測試集、驗證集的維度

print(mnist.train.
 
images.shape,mnist.train.labels.shape)  #訓練集的形狀，維度
print(mnist.test.images.shape,mnist.test.labels.shape) #測試集的形狀、維度
print(mnist.validation.images.shape,mnist.validation.labels.shape)  #驗證集的形狀、維度

計算圖：

引入tensorflow框架，並建立一個會話

imp1ort tensorflow as tf   #引入tensorflow的框架
sess = tf.InteractiveSession
 
()#建立一個會話

輸入x的資料，給權值w和basic賦初始值(此處賦初始值為零）

x = tf.placeholder(tf.float32,[None,784])#x的輸入資料,定義型別為float32,None表示輸入的行數不確定,佔位符
w = tf.Variable(tf.zeros([784,10]))  #初始化權值w的值  784*10的全為0的向量
b = tf.Variable(tf.zeros([10]))  #初始化bias的值

使用Softmax Regression函式

y = tf.nn.softmax(tf.matmul(x,w) + b) #用softmax Regression 輸出這張照片對應數字的百分比,
 
維度（None，10），且百分比的和為一
# Softmax Regression經常用於分類問題的解決

輸入訓練集資料的真正的測試結果

y_ = tf.placeholder("float",[None,10])  #輸入訓練集真實的結果（q代表的數字）

使用coress_entropy定義損失函式

y_ = tf.placeholder("float",[None,10])  #輸入訓練集真實的數字
#計算交叉熵，定義損失函式 tf.reduce_mean對於每個測試資料求均值，tf.reduce_sum進行求和
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))

優化演算法–此處選擇隨機梯度下降的演算法SGD

#優化演算法，這裡採用梯度下降，反向傳播，學習率為0.5，優化目標為cross_entropy
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  

迭代訓練

tf.global_variables_initializer().run()   #初始化全域性所有的引數#迭代訓練,每次隨機選擇100個訓練資料
for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)#隨機抽取100組資料    
    train_step.run({x:batch_xs,y_:batch_ys }）  #此處進行封裝

計算準確率

correct_predicition = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))  #輸出結果為bool型·
accuracy = tf.reduce_mean(tf.cast(correct_predicition,tf.float32))   #將bool型轉換為float32，並求平均數
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))    #計算準確率,eval執行整個Session()

tensorflow，我們定義的各個公式其實是Computation Graph，在執行這行程式碼的時候，計算還沒有實際發生，只有等呼叫run的方法，並feed資料的時計算才真正的執行。比如cross、entropy、train、step、accuracy等都是計算圖（tensorflow會自動建立）中的節點，而不是資料結果，我可以通過run方法執行這些節點或者說運算操作來獲取結果。