3 TensorFlow入门之识别手写数字

————————————————————————————————————

写在开头：此文参照莫烦python教程（墙裂推荐！！！）

————————————————————————————————————

分类实验之识别手写数字

• 这个实验的内容是：基于TensorFlow，实现手写数字的识别。
• 这里用到的数据集是大家熟知的mnist数据集。
• mnist有五万多张手写数字的图片，每个图片用28x28的像素矩阵表示。所以我们的输入层每个案列的特征个数就有28x28=784个；因为数字有0,1,2…9共十个，所以我们的输出层是个1x10的向量。输出层是十个小于1的非负数，表示该预测是0，1，2…9的概率，我们选取最大概率所对应的数字作为我们的最终预测。
• 真实的数字表示为该数字所对应的位置为1，其余位置为0的1x10的向量。

下面就开始实验啦！

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

#导入数据
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)#如果还没下载mnist就下载

#定义添加层
def add_layer(inputs,in_size,out_size,activation_function=None):
    #定义添加层内容，返回这层的outputs
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#Weigehts是一个in_size行、out_size列的矩阵，开始时用随机数填满
    biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases是一个1行out_size列的矩阵，用0.1填满
    Wx_plus_b = tf.matmul(inputs,Weights)+biases  #预测
    if activation_function is None:  #如果没有激励函数，那么outputs就是预测值
        outputs = Wx_plus_b
    else:  #如果有激励函数，那么outputs就是激励函数作用于预测值之后的值
        outputs = activation_function(Wx_plus_b)
    return outputs

#定义计算正确率的函数
def t_accuracy(t_xs,t_ys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:t_xs})
    correct_pre = tf.equal(tf.argmax(y_pre,1),tf.argmax(t_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_pre,tf.float32))
    result = sess.run(accuracy,feed_dict={xs:t_xs,ys:t_ys})
    return result

#定义神经网络的输入值和输出值
xs = tf.placeholder(tf.float32,[None,784]) #None是不规定大小，这里指的是案例个数，而输入特征个数为28x28 = 784
ys = tf.placeholder(tf.float32,[None,10]) #Nnoe也是案例个数，不做规定；10是因为有10个数字，所以输出是10

#增加输出层
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)#这里的激励函数是softmax，此函数多用于多类分类

#计算误差
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1])) #此误差计算方式和softmax配套用，效果好

#训练
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#学习因子为0.5

#开始训练
sess = tf.Session()
sess.run(tf.initialize_all_variables())

for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)   #提取数据集的100个数据，因为原来数据太大了
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i%50 == 0:
        print (t_accuracy(mnist.test.images,mnist.test.labels))  #每隔50个，打印一下正确率。注意：这里是要用test的数据来测试

Extracting MNIST_data	rain-images-idx3-ubyte.gz
Extracting MNIST_data	rain-labels-idx1-ubyte.gz
Extracting MNIST_data	10k-images-idx3-ubyte.gz
Extracting MNIST_data	10k-labels-idx1-ubyte.gz
0.1849
0.6537
0.7393
0.7836
0.8053
0.8203
0.8275
0.837
0.8465
0.8504
0.8567
0.8571
0.8643
0.8637
0.8664
0.8687
0.8719
0.8742
0.8763
0.8773

上面4行就是下载的mnist数据集的四个文件。然后看打印出来的正确率可知，这个网络的预测能力是越来越好的。
下面试一下啊，抽取500个数据来训练，看看效果如何：

for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(500)   #提取数据集的500个数据，因为原来数据太大了
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i%50 == 0:
        print (t_accuracy(mnist.test.images,mnist.test.labels))  #每隔50个，打印一下正确率。注意：这里是要用test的数据来测试

0.9001
0.9022
0.9023
0.9026
0.903
0.903
0.9037
0.9036
0.9034
0.9027
0.9041
0.903
0.9039
0.9034
0.9037
0.9046
0.9055
0.9045
0.9053
0.905

由上面打印出来的正确率可知，抽取500个数据来训练的话，正确率会达到90%

---

*点击[这儿：TensorFlow]发现更多关于TensorFlow的文章*

---