tessorflow实战

TensorFlow 实现Softmax Regression识别手写数字

数据集下载链接地址https://my.oschina.net/chkui/blog/888346
（扩展：tessorflow模型下载地址 https://github.com/tensorflow/models ）

i 代表第几类，
x 一张图片
j一张图片的第几个像素

下面的代码下载的数据集位置与执行文件在同一个文件夹中。

步骤：
首先在训练集上训练模型，
然后在验证集上检验效果并决定何时完成训练，
最后在验证集测评模型的效果。

"""作者：FLY功能：实现softmax regression 识别手写数字2.0：数据集位置与执行文件在同一个文件夹中版本：2.0日期：05/23/2019
"""import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("D:/software/pycharm/shizhan/softmax/MNIST_data/", one_hot=True)   # 读取数据集print(mnist.train.images.shape, mnist.train.labels.shape)  # 训练集
print(mnist.test.images.shape, mnist.test.labels.shape)    # 测试集
print(mnist.validation.images.shape, mnist.validation.labels.shape)  # 验证集import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])  # 创建输入数据的地方，数据类型float32，数据尺寸[None, 784]。None表示不限条数的输入，784是每条输入是一个784维的向量
W = tf.Variable(tf.zeros([784, 10]))    # 创建权值参数矩阵，尺寸[784, 10]
b = tf.Variable(tf.zeros([10]))         # 创建bias参数向量，尺寸[10],python执行结果是一行10列,matlab执行结果是10行10列
y = tf.nn.softmax(tf.matmul(x, W) + b)  # 进行Softmax Regression算法，y是预测的概率分布,y的shape为（None, 10）
# softmax是tf.nn下面的一个函数，而tf.nn则包含了大量神经网络的组件。
# 训练模型
# 对多分类问题，经常使用交叉熵作为loss function
# 计算交叉熵，判断模型对真实概率分布估计的准确程度，用 tf.reduce_sum 根据 reduction_indices=[1] 指定的参数，计算y中第二个维度所有元素的总和,tf.reduce_mean 用于计算该批次的一个平均值
y_ = tf.placeholder(tf.float32, [None, 10])  # 定义placeholder，y_是真实的概率分布
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))#tf.reduce_mean用来对每个batch数据求均值
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  # 选择随机梯度下降SGD以0.5的学习速率最小化交叉熵init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
# 上面三行可改写为下面一行
# tf.global_variables_initiallizer().run()for i in range(1000):      # 模型循环训练1000次,从0开始batch_xs, batch_ys = mnist.train.next_batch(100)    # 随机抓取训练数据中的100个批处理数据点sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# 评估模型
# tf.argmax是从一个tensor中寻找最大值的序号,tf.argmax(y,1)求预测数字中概率最大的那一个，tf.argmax(y_,1)求样本的真实数字类别
# tf.equal 判断预测的数字类别是否就是正确的类别
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
# 用tf.cast将之前的correct_prediction输出的bool值转换为float32，再求平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))   #输入数据，计算准确率

输出结果：0.9195
4个步骤：1、定义算法公式，也就是神经网络forward时的计算
2、定义loss，选定优化器，并指定优化器优化loss。
3、迭代地对数据进行训练
4、在测试集或验证集上对准确率进行评测。
注意：只有调用run方法，并feed数据时计算才真正执行。

tessorflow实战相关推荐

IDEA的Docker插件实战(Dockerfile篇)
IDEA的Docker插件实战(Dockerfile篇) IntelliJ IDEA的Docker插件能帮助我们将当前工程制作成Docker镜像.运行在指定的远程机器上,是学习和开发阶段的好帮手,本文 ...
数据结构（04）— 线性顺序表实战
1. 设计思路本实战的实质是完成对学生成绩信息的建立.查找.插入.修改.删除等功能,可以首先定义项目的数据结构,然后将每个功能写成一个函数来完成对数据的操作,最后完成主函数以验证各个函数功能并得出运 ...
【置顶】利用 NLP 技术做简单数据可视化分析教程（实战）
置顶本人决定将过去一段时间在公司以及日常生活中关于自然语言处理的相关技术积累,将在gitbook做一个简单分享,内容应该会很丰富,希望对你有所帮助,欢迎大家支持. 内容介绍如下你是否曾经在租房时因 ...
2 用python进行OpenCV实战之图像基本知识
前言在这一节,我们将学习图像的基本构成单元--像素,我们将详细的探讨什么是像素?像素是如何使用来构成图像的?然后学习如何通过OpenCV来获取和操纵像素. 1 什么是像素所有的图像都包含一组像素, ...
PyTorch 高级实战教程：基于 BI-LSTM CRF 实现命名实体识别和中文分词
20210607 https://blog.csdn.net/u011828281/article/details/81171066 前言:译者实测 PyTorch 代码非常简洁易懂,只需要将中文分词 ...
实战清除电脑上恶意弹出广告窗口
实战清除电脑上恶意弹出广告窗口当你碰到电脑桌面右下角时不时弹出广告,如游戏推广.商品广告等,怎么删也删不掉,这是因为用户不小心安装有捆绑广告推广的软件,系统被静默安装了恶意木马广告,这不仅仅是影响用 ...
deeplearning模型量化实战
deeplearning模型量化实战 MegEngine 提供从训练到部署完整的量化支持,包括量化感知训练以及训练后量化,凭借"训练推理一体"的特性,MegEngine更能保证量化 ...
DeepLabV3+语义分割实战
DeepLabV3+语义分割实战语义分割是计算机视觉的一项重要任务,本文使用Jittor框架实现了DeepLabV3+语义分割模型. DeepLabV3+论文:https://arxiv.org/p ...
图像合成与风格转换实战
图像合成与风格转换实战神经式转移 Neural Style Transfer 如果使用社交分享应用程序或者碰巧是个业余摄影师,对过滤器很熟悉.滤镜可以改变照片的颜色样式,使背景更清晰或人的脸更白.然 ...

tessorflow实战

文章目录

tessorflow实战

TensorFlow 实现Softmax Regression识别手写数字

tessorflow实战相关推荐

最新文章

热门文章