二、tensorflow新手入门之MNIST初级教程

一、准备工作

1、MNIST概念

　　是一个识别手写数字图片的计算机视觉集，它包含各种手写数字图片和每张图片对应的标签

2、softmax回归

　　softmax回归是logistic回归的一种，它是多元分类(包含二分类)。

　　sotfmax回归可以把多分类任务多输出转换为各种类别的可能概率，把最大概率值对应的类别作为输入样本的输出类别预测

　　sotfmax激活函数公式：

　　　　z^[l]=W^[l]a^[l]+b^[l]

　　　　g(z^[l])=e^(z[l])

　　理解sotfmax:

　　sotfmax的loss function：

　　　　单个样本 L(ŷ ,y)=∑y_jlogŷ_j, j=[1,...,x] y为标签值，ŷ为预测概率，x为输入特征数量

　　　　样本集J(w^[1],b^[1],…)=1/m∑L(ŷ ⁽ⁱ⁾,y⁽ⁱ⁾) 

　　sotfmax梯度下降公式：  ∂J/∂z^[L]=dz^[L]=ŷ −y

3、softmax数据集分析

　　训练样本：60000个(mnist.train)，其中55000个用于训练，5000个用于验证

　　测试样本：10000个(mnist.test)

　　每一个MNIST数据单元包含两部分：图片(mnist.train.images)和标签(mnist.train.labels)，每张图片包含28像素X28像素，用向量表示长度是28X28=784，因此图片(mnist.train.images)为[60000, 784]的张量，第一个维度用了索引图片，第二个维度用来索引每张图片的像素点，标签介于0-9的数字，向量化表示为[1,0,0,0,0,0,0,0,0],因此标签mnist.train.labels)为[60000, 10]的张量

二、实现回归模型

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

mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

# 输入特征占位
x = tf.placeholder('float', [None, 784])

# 权重和偏置值
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 预测值
y = tf.nn.softmax(tf.matmul(x,W) + b)

# 标签占位
y_ = tf.placeholder('float', [None, 10])

# 计算损失函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

# 梯度下降
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化所有变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    
    # 开始训练模型
    for _ in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys})
    
    # 评估模型效果
    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}))