TensorFlow MNIST (Softmax)

代码

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_datasess = tf.InteractiveSession()#远程下载MNIST数据，建议先下载好并保存在MNIST_data目录下
def DownloadData():mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)    #编码格式：one-hotprint(mnist.train.images.shape, mnist.train.labels.shape)           #训练数据55000条print(mnist.test.images.shape, mnist.test.labels.shape)             #测试数据10000条print(mnist.validation.images.shape, mnist.validation.labels.shape) #验证数据5000条return mnistdef Train(mnist):#Step1 定义算法公式Softmax Regressionx = tf.placeholder(tf.float32, shape=(None, 784))            #构建占位符，代表输入的图像，维度None表示样本的数量可以是任意的，维度784代表特征向量，由图像大小28*28转换而来weights = tf.Variable(tf.zeros([784, 10]))                    #构建一个变量，代表训练目标weights，初始化为0biases = tf.Variable(tf.zeros([10]))                        #构建一个变量，代表训练目标biases，初始化为0y = tf.nn.softmax(tf.matmul(x, weights) + biases)                 #构建了一个softmax的模型：y = softmax(Wx + b)，y指样本的预测值y_ = tf.placeholder(tf.float32, [None, 10])  # 构建占位符，代表样本标签的真实值#Step2 定义损失函数，选定优化器，并指定优化器优化损失函数# 定义交叉熵损失函数cross_entropy = tf.reduce_mean( -tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]) )# 使用梯度下降算法（学习率为0.5）来最小化这个交叉熵损失函数train = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#Step3 训练数据tf.global_variables_initializer().run()for i in range(2000):                                                  #迭代次数batch_x, batch_y = mnist.train.next_batch(100)                   #一个batch的大小为100, 使用一个batch的数据来训练模型sess.run(train, feed_dict={x: batch_x, y_: batch_y})        #用训练数据替代占位符来执行训练if (i % 100 == 0):print("i=%d, 准确率=%g" % (i, Test(mnist, weights, biases)) )print("准确率=%g" % Test(mnist, weights, biases))# 在测试数据上对准确率进行评测
def Test(mnist, weights, biases):x = tf.placeholder(tf.float32, [None, 784]) #测试数据y = tf.nn.softmax(tf.matmul(x, weights) + biases) #预测值y_ = tf.placeholder(tf.float32, [None, 10]) #真实值# tf.argmax()返回的是某一维度上其数据最大所在的索引值，在这里即代表预测值和真实值# 判断预测值y和真实值y_中最大数的索引是否一致，y的值为1-10概率correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 用平均值来统计测试准确率return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})  # 打印测试信息def main():mnist = DownloadData()Train(mnist)if __name__ == '__main__':main()

TensorFlow MNIST (Softmax)相关推荐

逻辑回归实现多分类任务（python+TensorFlow+mnist）
逻辑回归实现多分类任务(python+TensorFlow+mnist) 逻辑回归是统计学中的一种经典方法,虽然叫回归,但在机器学习领域,逻辑回归通常情况下当成一个分类任务,softmax就是由其演变 ...
TensorFlow实现Softmax
TensorFlow实现Softmax Regression识别手写数字本文是按照黄文坚.唐源所著的<TensorFlow实战>一书,进行编写.在TensorFlow实战之余,力求简洁地 ...
tensorflow mnist 1
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import keras.back ...
Tensorflow mnist 数据集测试代码 + 自己下载数据
https://blog.csdn.net/weixin_39673686/article/details/81068582 import tensorflow as tf from tensorfl ...
Tensorflow— MNIST数据集分类简单版本
代码: import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data#载入数据集 #当前路径 m ...
TensorFlow MNIST初级学习
2019独角兽企业重金招聘Python工程师标准>>> MNIST MNIST 是一个入门级计算机视觉数据集,包含了很多手写数字图片,如图所示: 数据集中包含了图片和对应的标注,在 ...
TensorFlow MNIST TensorBoard版本
代码 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_ ...
TensorFlow MNIST CNN LeNet5模型
代码 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_datamnist = input_d ...
TensorFlow MNIST 入门代码
其实就是按照TensorFlow中文教程的内容一步步跟着敲的代码. 不过在运行代码的时候遇到代码中加载不到MNIST数据资源,似乎是被墙了((⊙﹏⊙)b) 于是自己手动下载了数据包,放到 MNIST_ ...

TensorFlow MNIST (Softmax)

TensorFlow MNIST (Softmax)相关推荐

最新文章

热门文章