文章目錄

• tessorflow實(shí)戰(zhàn)
• • TensorFlow 實(shí)現(xiàn)Softmax Regression識(shí)別手寫數(shù)字

tessorflow實(shí)戰(zhàn)

TensorFlow 實(shí)現(xiàn)Softmax Regression識(shí)別手寫數(shù)字

數(shù)據(jù)集下載鏈接地址https://my.oschina.net/chkui/blog/888346
（擴(kuò)展：tessorflow模型下載地址 https://github.com/tensorflow/models ）

i 代表第幾類，
x 一張圖片
j一張圖片的第幾個(gè)像素

下面的代碼下載的數(shù)據(jù)集位置與執(zhí)行文件在同一個(gè)文件夾中。

步驟：
首先在訓(xùn)練集上訓(xùn)練模型，
然后在驗(yàn)證集上檢驗(yàn)效果并決定何時(shí)完成訓(xùn)練，
最后在驗(yàn)證集測(cè)評(píng)模型的效果。

"""作者：FLY功能：實(shí)現(xiàn)softmax regression 識(shí)別手寫數(shù)字2.0：數(shù)據(jù)集位置與執(zhí)行文件在同一個(gè)文件夾中版本：2.0日期：05/23/2019 """import tensorflow.examples.tutorials.mnist.input_data as input_data mnist = input_data.read_data_sets("D:/software/pycharm/shizhan/softmax/MNIST_data/", one_hot=True) # 讀取數(shù)據(jù)集print(mnist.train.images.shape, mnist.train.labels.shape) # 訓(xùn)練集 print(mnist.test.images.shape, mnist.test.labels.shape) # 測(cè)試集 print(mnist.validation.images.shape, mnist.validation.labels.shape) # 驗(yàn)證集import tensorflow as tf x = tf.placeholder(tf.float32, [None, 784]) # 創(chuàng)建輸入數(shù)據(jù)的地方，數(shù)據(jù)類型float32，數(shù)據(jù)尺寸[None, 784]。None表示不限條數(shù)的輸入，784是每條輸入是一個(gè)784維的向量 W = tf.Variable(tf.zeros([784, 10])) # 創(chuàng)建權(quán)值參數(shù)矩陣，尺寸[784, 10] b = tf.Variable(tf.zeros([10])) # 創(chuàng)建bias參數(shù)向量，尺寸[10],python執(zhí)行結(jié)果是一行10列,matlab執(zhí)行結(jié)果是10行10列 y = tf.nn.softmax(tf.matmul(x, W) + b) # 進(jìn)行Softmax Regression算法，y是預(yù)測(cè)的概率分布,y的shape為（None, 10） # softmax是tf.nn下面的一個(gè)函數(shù)，而tf.nn則包含了大量神經(jīng)網(wǎng)絡(luò)的組件。 # 訓(xùn)練模型 # 對(duì)多分類問(wèn)題，經(jīng)常使用交叉熵作為loss function # 計(jì)算交叉熵，判斷模型對(duì)真實(shí)概率分布估計(jì)的準(zhǔn)確程度，用 tf.reduce_sum 根據(jù) reduction_indices=[1] 指定的參數(shù)，計(jì)算y中第二個(gè)維度所有元素的總和,tf.reduce_mean 用于計(jì)算該批次的一個(gè)平均值 y_ = tf.placeholder(tf.float32, [None, 10]) # 定義placeholder，y_是真實(shí)的概率分布 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))#tf.reduce_mean用來(lái)對(duì)每個(gè)batch數(shù)據(jù)求均值 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 選擇隨機(jī)梯度下降SGD以0.5的學(xué)習(xí)速率最小化交叉熵init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) # 上面三行可改寫為下面一行 # tf.global_variables_initiallizer().run()for i in range(1000): # 模型循環(huán)訓(xùn)練1000次,從0開(kāi)始batch_xs, batch_ys = mnist.train.next_batch(100) # 隨機(jī)抓取訓(xùn)練數(shù)據(jù)中的100個(gè)批處理數(shù)據(jù)點(diǎn)sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 評(píng)估模型 # tf.argmax是從一個(gè)tensor中尋找最大值的序號(hào),tf.argmax(y,1)求預(yù)測(cè)數(shù)字中概率最大的那一個(gè)，tf.argmax(y_,1)求樣本的真實(shí)數(shù)字類別 # tf.equal 判斷預(yù)測(cè)的數(shù)字類別是否就是正確的類別 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) # 用tf.cast將之前的correct_prediction輸出的bool值轉(zhuǎn)換為float32，再求平均值 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #輸入數(shù)據(jù)，計(jì)算準(zhǔn)確率

輸出結(jié)果：0.9195
4個(gè)步驟：1、定義算法公式，也就是神經(jīng)網(wǎng)絡(luò)forward時(shí)的計(jì)算
2、定義loss，選定優(yōu)化器，并指定優(yōu)化器優(yōu)化loss。
3、迭代地對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練
4、在測(cè)試集或驗(yàn)證集上對(duì)準(zhǔn)確率進(jìn)行評(píng)測(cè)。
注意：只有調(diào)用run方法，并feed數(shù)據(jù)時(shí)計(jì)算才真正執(zhí)行。

總結(jié)

以上是生活随笔為你收集整理的tessorflow实战的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。