TFboy养成记 MNIST Classification （主要是如何计算accuracy）

 参考：莫烦。

主要是运用的ＭＬＰ。另外这里用到的是批训练：

这个代码很简单，跟上次的基本没有什么区别。

这里的lossfunction用到的是是交叉熵cross_entropy.可能网上很多形式跟这里的并不一样。

这里一段时间会另开一个栏。专门去写一些机器学习上的一些理论知识。

这里代码主要写一下如何计算accuracy：

def getAccuracy(v_xs,v_ys):
    global y_pre
    y_v = sess.run(y_pre,feed_dict={x:v_xs})
    correct_prediction = tf.equal(tf.arg_max(y_v,1),tf.arg_max(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={x:v_xs,y:v_ys})
    
    return result

首先得到ground truth，与预测值，然后对着预测值得到tf,arg_max---->你得到的是以float tensor，tensor上的各个值是各个分类结果的可能性，而argmax函数就是求里面的最大值的下表也就是结果。

注意这里每次得到的是一个batch的结果，也就是说以一个【9,1,2，、。。。。】的这种tensor，所以最后用tf.equal得到一个表示分类值与实际类标是否相同的Bool型tensor。最后把tensor映射到0,1,两个值上就可以了.

可能会有人问为什么不用int表示而是用float32来表示呢？因为下面腰酸的是准确率，如果是int32，那么按tensorflow的整数除法运算是直接取整数部分不算小数点的。（这几个涉及到的函数在之前的博客）

全部代码：

# -*- coding: utf-8 -*-
"""
Created on Sun Jun 18 15:31:11 2017

@author: Jarvis
"""

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

def addlayer(inputs,insize,outsize,activate_func = None):
    W = tf.Variable(tf.random_normal([insize,outsize]),tf.float32)
    b = tf.Variable(tf.zeros([1,outsize]),tf.float32)
    W_plus_b = tf.matmul(inputs,W)+b

    if activate_func == None:
        return W_plus_b
    else:
        return activate_func(W_plus_b)
def getAccuracy(v_xs,v_ys):
    global y_pre
    y_v = sess.run(y_pre,feed_dict={x:v_xs})
    correct_prediction = tf.equal(tf.arg_max(y_v,1),tf.arg_max(v_ys,1))
    
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={x:v_xs,y:v_ys})
    
    return result
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

x  = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#h1 = addlayer(x,784,14*14,activate_func=tf.nn.softmax)
#y_pre = addlayer(h1,14*14,10,activate_func=tf.nn.softmax)
y_pre = addlayer(x,784,10,activate_func=tf.nn.softmax)

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y*tf.log(y_pre),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(10001):
    x_batch,y_batch = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:x_batch,y:y_batch})
    
    if i % 100 == 0:
        print (getAccuracy(mnist.test.images,mnist.test.labels))