自動下載並轉化MNIST資料集格式到TF中

import tensorflow as tf
from  tensorflow.examples.tutorials.mnist  import input_data

#載入MNIST資料集,如果不存在,將自動在預設網址下載,並被TF簡單處理
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#匯入資料集後,60000個數據,自動分為了55000 train_data 10000 test_data.
# 50000 train_data中有分出5000個作為訓練過程的valiadtion
n_train =mnist.train.num_examples
n_test =mnist.test.num_examples
n_validtion=mnist.validation.num_examples
image_data =mnist.train.images[0]
label_data =mnist.train.labels[0]

print ("n_train,n_validtion,n_test",n_train,n_validtion,n_test)
#輸出(55000,5000,10000)
print("image_data",image_data)
#輸出28*28的矩陣,值為[0,1]之間
print("image_label",label_data)
#輸出[0.,0.,0.,0.,0.,0.,0.,1.,0.,0.]

#資料集從資料集中提取出一小部分隨機訓練
batch_size=100
xs,ys=mnist.train.next_batch(batch_size)
print("X shape:",xs.shape)  #輸出 [100,784]
print("Y shape:",ys.shape)  #輸出 [100,10]

完整程式碼  

 

# -*- coding: utf-8 -*-

import tensorflow as tf
from  tensorflow.examples.tutorials.mnist  import input_data

#載入MNIST資料集,如果不存在,將自動在預設網址下載
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#匯入資料集後,60000個數據,自動分為了55000 train_data 10000 test_data.
# 50000 train_data中有分出5000個作為訓練過程的valiadtion
n_train =mnist.train.num_examples
n_test =mnist.test.num_examples
n_validtion=mnist.validation.num_examples
image_data =mnist.train.images[0]
label_data =mnist.train.labels[0]

#print ("n_train,n_validtion,n_test",n_train,n_validtion,n_test)
##輸出(55000,5000,10000)
#print("image_data",image_data)
##輸出28*28的矩陣,值為[0,1]之間
#print("image_label",label_data)
##輸出[0.,0.,0.,0.,0.,0.,0.,1.,0.,0.]

#資料集從資料集中提取出一小部分隨機訓練
batch_size=100
xs,ys=mnist.train.next_batch(batch_size)
print("X shape:",xs.shape)  #輸出 [100,784]
print("Y shape:",ys.shape)  #輸出 [100,10]

#定義簡單的神經網路,784個輸入節點,10個輸出神經元,即單層神經網路
INPUT_NODE = 784
OUTPUT_NODE= 10

x=tf.placeholder(tf.float32,[None,INPUT_NODE])
y=tf.placeholder(tf.float32,[None,OUTPUT_NODE])

W1=tf.Variable(tf.zeros([INPUT_NODE,OUTPUT_NODE]))
b1=tf.Variable(tf.zeros([OUTPUT_NODE]))
prediction=tf.nn.softmax(tf.matmul(x,W1)+b1)

#二次代價函式
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法優化
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#將預測結果與便籤結果的對比值存於布林列表裡
#tf.arg_max按行輸入最大值的索引
correct_prediction=tf.equal(tf.arg_max(prediction,1),tf.arg_max(y,1))
#求神經網路的準確率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


#訓練神經網路
with  tf.Session()  as sess:
    #初始化變數
    sess.run(tf.global_variables_initializer())
    for epoch in range(10000):
        xs,ys=mnist.train.next_batch(batch_size)
        sess.run(train_step,feed_dict={x:xs,y:ys})
        if epoch % 1000==0:
            acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
            print("epoch:"+str(epoch)+",Test Accuracy"+str(acc))

訓練資料,驗證資料和測試資料關係【參考連結】

  • 訓練資料(Training Data):用於模型構建
  • 驗證資料(Validation Data):可選,用於輔助模型構建,可以重複使用。
  • 測試資料(Test Data):用於檢測模型構建,此資料只在模型檢驗時使用,用於評估模型的準確率。絕對不允許用於模型構建過程,否則會導致過渡擬合。

tensorflow tf.argmax() 用法講解

  • tf.argmax(input, axis=None, name=None, dimension=None) 
  • 對矩陣按行或列計算最大值 
  • 四個引數: 
  • 1).input:輸入值 
  • 2).axis:可選值0表示按列,1表示按行求最大值。axis兩個引數的區別是:0是每個陣列對應位置之間的比較,而1則是陣列內部元素之間的比較。 
  • 3).name 
  • 4).預設使用axis即可.