tensorflow神经网络与单层手写字识别

1、知识点

"""
1、基础知识：
    1、神经网络结构：1、输入层    2、隐含层   3、全连接层(类别个数=全连接层神经元个数)+softmax函数  4、输出层
    2、逻辑回归：只能解决二分类问题
    3、线性回归：只能用于预测
    4、softmax:有多少类别，就会有多少个输出
    5、信息熵：信息熵越大，不确定性越大，信息熵越小，则不确定小，属于的类别也更加清晰
    6、softmax公式： Si = e^i / (e^1+....+e^j) ,用于计算概率值。 特点：所有类别概率值相加等于1
    7、损失函数：交叉熵损失 ，一个样本就有一个交叉熵损失。公式： H(y) = -y'log y(i)对i的求和值，其中y'为真实结果，y(i)为预测结果，一

2、感知机：有n个输入数据，通过权重与各数据之间的计算和，比较激活函数结果，得出输出
    应用场景：很容易解决与、或、非问题，即二分类问题

3、神经网络的种类：
    1、基础神经网络：单层感知器，线性神经网络，BP神经网络，Hopfield神经网络等
    2、进阶神经网络：玻尔兹曼机，受限玻尔兹曼机，递归神经网络等
    3、深度神经网络：深度置信网络，卷积神经网络，循环神经网络，LSTM网络等

4、神经网络特点：
    1、输入向量的维度和输入神经元的个数相同
    2、每个连接都有个权值
    3、同一层神经元之间没有连接
    4、由输入层，隐层，输出层组成
    5、第N层与第N-1层的所有神经元连接，也叫全连接

5、神经网络API模块：
    1、tf.nn：提供神经网络相关操作的支持，包括卷积操作(conv)、池化操作(pooling)、归一化、loss、分类操作、embedding、RNN、Evaluation.
    2、tf.layers：主要提供的高层的神经网络，主要和卷积相关的，对tf.nn进一步封装。
    3、tf.contrib：tf.contrib.layers提供将计算图中的网络层、正则化、摘要操作，是构建计算图的高级操作，但是tf.contrib包不稳定以及一些实验代码

算法对比总结：
    算法          策略          优化
线性回归        均方误差        梯度下降    预测
逻辑回归        对数似然损失    梯度下降     二分类
神经网络        交叉熵损失      反响传播算法(就是梯度下降算法)

单层(全连接层)实现手写数字识别：
    1、定义数据占位符，针对特征值和目标值矩阵
        特征值[None，784] 目标值[None,10]
    2、建立模型
        随机初始化权重和偏置   y_predict = tf.matmul(x,w)+b
    3、计算损失
        loss平均样本损失(交叉熵损失)
    4、梯度下降优化(梯度下降算法)
"""

2、代码

# coding = utf-8
import  tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_integer("IS_TRAIN",1,"指定程序是预测还是训练")
def fullconnnected():
    """
    全连接层
    :return:

    """
    #获取数据
    minist = input_data.read_data_sets("./data/mnist/input_data/", one_hot=True)

    # 1、建立数据占位符 x[None,784]  y_true[None,10]
    with tf.variable_scope("data"):
        x = tf.placeholder(tf.float32,[None,784])
        y_true = tf.placeholder(tf.int32,[None,10])
    #2、建立一个全连接层的神经网络
    with tf.variable_scope("fc_model"):
        #随机初始化权重和偏置
        weight = tf.Variable(tf.random_normal([784,10],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(tf.constant(0.0,shape=[10]))

        #预测None个样本的输出结果
        y_predict = tf.matmul(x,weight)+bias

    #3、计算交叉熵损失
    with tf.variable_scope("cross_entropy"):
        #求取平均交叉熵损失
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    #4、梯度下降求出损失
    with tf.variable_scope("optimizer"):
        train_op = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

    #5、计算准确率
    with tf.variable_scope("accuracy"):
        equal_list = tf.equal(tf.argmax(y_true,1),tf.argmax(y_predict,1))
        #equal_list  None个样本 [1,0,1,1,0,0,0......]
        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))

    #6、收集变量
    tf.summary.scalar("losses",loss)
    tf.summary.scalar("acc",accuracy)
    tf.summary.histogram("weights",weight)
    tf.summary.histogram("baises",bias)
    merge = tf.summary.merge_all()

    #7、初始化变量
    init_op = tf.global_variables_initializer()

    #8、创建一个Saver
    saver = tf.train.Saver()

    #9、开启会话进行训练
    with tf.Session() as sess:
        #初始化变量
        sess.run(init_op)
        fileWriter = tf.summary.FileWriter("./event/",graph=sess.graph)


        if FLAGS.IS_TRAIN == 1:
            #迭代步数训练，更新参数预测
            for i in range(2000):
                #取出数据的特征自和目标值
                mnist_x,mnist_y =minist.train.next_batch(50)
                #训练
                sess.run(train_op,feed_dict={x: mnist_x, y_true:mnist_y})
                summary = sess.run(merge,feed_dict={x: mnist_x, y_true:mnist_y})
                fileWriter.add_summary(summary,i)
                print("训练第%d步，准确率为：%f" %(i,sess.run(accuracy,feed_dict={x: mnist_x, y_true:mnist_y})) )
            #保存模型
            saver.save(sess,"./ckpt/fc_model")
        else:
            #如果是0，那么做预测
            for i in range(10):
                saver.restore(sess,"./ckpt/fc_model")
                #每次测试一张图片
                x_test,y_test = minist.test.next_batch(1)
                print("第%d张图片，手写数字是%d,，预测结果是%d" %(
                    i,
                    tf.argmax(y_test,1).eval(),
                    tf.argmax(sess.run(y_predict,feed_dict={x: x_test, y_true:y_test}),1).eval()
                ))
    return None


if __name__ == '__main__':
    "测试：python 简单神经网络介绍.py --IS_TRAIN=0"
    #默认训练
    fullconnnected()
    pass