TensorFlow 训练 MNIST 数据

参考：

http://blog.csdn.net/willduan1/article/details/52024254

这个是用一个简单的 Softmax 回归来进行训练的代码

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

#MNIST数据输入
mnist = input_data.read_data_sets("../../datasets/MNIST_data/", one_hot=True)

x = tf.placeholder(tf.float32, [None, 784])  #图像输入向量
W = tf.Variable(tf.zeros([784, 10]))  #权重，初始化值为全零
b = tf.Variable(tf.zeros([10]))  #偏置，初始化值为全零

#进行模型计算，y是预测，y_ 是实际
y = tf.nn.softmax(tf.matmul(x, W) + b)

y_ = tf.placeholder("float", [None, 10])

#计算交叉熵
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
#接下来使用BP算法来进行微调,以0.01的学习速率
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#上面设置好了模型，添加初始化创建变量的操作
init = tf.global_variables_initializer()
#启动创建的模型，并初始化变量
sess = tf.Session()
sess.run(init)
#开始训练模型，循环训练1000次
for i in range(1000):
#随机抓取训练数据中的100个批处理数据点
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

''''' 进行模型评估 '''

#判断预测标签和实际标签是否匹配
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#计算所学习到的模型在测试数据集上面的正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

输出：0.9169

有一些注意的地方就是，当在一定程度上增加训练次数的时候，正确率会有一点的提高。还有一点就是取的batch大的时候，进行BP传播的时候收敛速度会快一些，但是相应的训练的时间消耗的就会增加。