Tensorflow-MNIST代码解析

MNIST是深度学习的入门demo，由6万张训练图片和1万张测试图片构成（数据集下载地址：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/），每张图片都是28*28大小，而且都是黑白两色，这些图片是采集的不同的人手写从0到9的数字。TensorFlow将这个数据集和相关操作封装到了库中，下面为训练及效果评估代码。

import sys
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl
#设置plt显示中文字体，避免乱码
mpl.rcParams['font.sans-serif']=['Microsoft YaHei']
mpl.rcParams['axes.unicode_minus'] = False
#读取训练集
mnist = input_data.read_data_sets("d:/share/MNIST_data/", one_hot=True)
# x是特征值，1X784的一维向量
x = tf.placeholder(tf.float32, [None, 784])
# w表示每一个特征值（像素点）会影响结果的权重
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
#y是预测值，包含10个元素的数组
y = tf.matmul(x, W) + b
# y_是图片实际对应的值，包含10个元素的0/1数组，1代表对应的index数字
y_ = tf.placeholder(tf.float32, [None, 10] )
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# mnist.train 训练数据，每次提取100张，循环6000次
for _ in range(6000):batch_xs, batch_ys = mnist.train.next_batch(100)sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})# 取得y的最大概率对应的数组索引来和y_的数组索引对比，如果索引相同，则表示预测正确
correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

用测试集来评估准确性

 print(sess.run(accuracy, feed_dict={x: mnist.test.images,y_: mnist.test.labels}))

逐个测试图片查看其预测结果，将预测不准确的结果统计输出
pre_act=[]
for i in range(0, len(mnist.test.images)):result = sess.run(correct_prediction,feed_dict={x: np.array([mnist.test.images[i]]), y_: np.array([mnist.test.labels[i]])})if not result:pre=sess.run(y, feed_dict={x: np.array([mnist.test.images[i]]), y_: np.array([mnist.test.labels[i]])})pre_list=max(pre.tolist())m=max(pre_list)pre_value=pre_list.index(m)# print('预测的值是：', pre_value)actual=sess.run(y_, feed_dict={x: np.array([mnist.test.images[i]]), y_: np.array([mnist.test.labels[i]])})actual_list=max(actual.tolist())actual_value=actual_list.index(1)#将预测值和实际值组合添加到数组保存pa='预测的值是：'+str(pre_value)+","+'实际的值是：'+str(actual_value)pre_act.append(pa)# print('实际的值是：', actual_value)display='预测的值是：'+str(pre_value)+'实际的值是：'+str(actual_value)#显示预测错误图片# one_pic_arr = np.reshape(mnist.test.images [i], (28, 28))# pic_matrix = np.matrix(one_pic_arr, dtype="float")# plt.imshow(pic_matrix)# plt.title(display)# plt.savefig('pic_matrix')# plt.show()# break
#打印数组查看哪些测试图片预测错误及其真实值
print(pre_act)
print("预测错误数量为："+str(len(pre_act))+"测试数据集为："+str(len(mnist.test.images)))

可以看到准确率只有0.9257，使用CNN准确率可以达到0.97以上。

Tensorflow-MNIST代码解析相关推荐

Tensorflow YOLO代码解析(1)
YOLO (You Only Look Once:Unified,Real-Time Object Detection) 提出了一种实时端到端的目标检测算法,之前写过一份关于YOLO论文的解读,可供参 ...
Graph Attention Network (GAT) 的Tensorflow版代码解析
文章目录代码结构参数设置数据加载特征预处理模型定义 GAT核心定义:layers.py gat.py base_gattn.py 关于GAT的基本原理解析可查看另一篇博客: Graph At ...
代码解析深度学习系统编程模型：TensorFlow vs. CNTK
from: http://geek.csdn.net/news/detail/62429 CNTK是微软用于搭建深度神经网络的计算网络工具包,此项目已在Github上开源.因为我最近写了关于Tenso ...
【神经网络】(12) MobileNetV2 代码复现，网络解析，附Tensorflow完整代码
各位同学好,今天和大家分享一下如何使用 Tensorflow 复现谷歌轻量化神经网络 MobileNetV2. 在上一篇中我介绍了MobileNetV1,探讨了深度可分离卷积,感兴趣的可以看一下:ht ...
Tensorflow 代码解析
Tensorflow 代码解析(一) Tensorflow 代码解析(二) Tensorflow 代码解析(三) Tensorflow 代码解析(四) Tensorflow 代码解析(五)
First Steps with TensorFlow代码解析
注:本文的内容基本上都摘自tensorflow的官网,只不过官网中的这部分内容在国内访问不了,所以我只是当做一个知识的搬运工,同时梳理了一遍,方便大家查看.本文相关内容地址如下: https://de ...
TensorFlow 概念的解析（i.e. 缘由）
TensorFlow 基本概念解析 -- TensorFlow Machine Learning Cookbook TensorFlow 中的基本概念解析声明张量 tensorflow 中的主要数据 ...
【Python3】文本分类综合（rnn，cnn，word2vec，TfidfVectorizer），中文纠错代码解析（pycorrector）
文章目录 1.中文评论情感分析(keras+rnn) 1.1 需要的库 1.2 预训练词向量 1.3 词向量模型 1.4 训练语料 (数据集) 1.5 分词和tokenize 1.6 索引长度标准化 ...
EfficientNet-V2 论文以及代码解析
参看视频:论文解析论文地址:论文地址源码地址:tensorflow官方源码 pytorch代码地址:pytorch代码这里的代码解析参考的是博主噼里啪啦的源码,下面对EfficientNetV2 ...
DeepLearning | 图注意力网络Graph Attention Network（GAT）论文、模型、代码解析
本篇博客是对论文 Velikovi, Petar, Cucurull, Guillem, Casanova, Arantxa,et al. Graph Attention Networks, 2018 ...

Tensorflow-MNIST代码解析

Tensorflow-MNIST代码解析相关推荐

最新文章

热门文章