tensorflow训练mnist数据集-识别手写数字

1、加载mnist数据集

    TensorFlow提供了mnist加载的封装，在python中直接运行以下代码即可完成mnist数据加载。

    运行成功会出现如下现实：

    下载好的mnist数据集在C:\Users\%你的主机名%文件夹下：

    然后我们来查看一下这个数据集的情况，print(mnisr.trian.images.shape,mnist.train.labels.shape),该语句输出结果是：（55000,784） （55000,10）表示了训练集images数据一共有55000个样本，每一个样本长度是784,标签一共是10个数字。print(mnist.test.images.shape,minst.test.labels.shape),该语句输出的结果是（10000,784） （10000,10）表示测试集images数据一共10000个样本，每个样本长度是784，标签一共10个数字；print(mnist.validation.images.shape,mnist.validation.labels.shape),该语句输出的结果是（5000,784） （5000,10）表示image验证集有5000个样本，每个样本长度是784，标签一共10个数字。三种类型数据集的作用：在训练集上训练模型，利用验证集检验模型效果并决定何时完成训练，最后在测试机评价模型的效果。

>>> import tensorflow as tf  

#载入TensorFlow库

>>> sess = tf.InteractiveSession()  

#创建一个新的InteractiveSession，使用这个命令会将session注册为默认的session，之后的运算也默认泡在这个session里

#面，不同的session之间的数据和运算是相互的里的。

>>> x = tf.placeholder(tf.float32,[None,784])

#创建一个Placeholder，这个是输入数据的地方；Placeholder的第一个参数是数据类型，第二个参数【none，784】代表

#Tensor的shape，也是数据的尺寸，这里none代表不限条数的输入，784表示每条输入时一个784 维的向量。

>>> w = tf.Variable(tf.zeros([784,10]))

>>> b = tf.Variable(tf.zeros([10]))

#给Softmax Regression模型中的weights和biases创建Variable对象（用来存储模型参数）我们把weights和biases全部初始化

#为0

>>> y = tf.nn.softmax(tf.matmul(x,w) + b)

#实现Softmax Regression模型算法

>>> y_ = tf.placeholder(tf.float32, [None,10])

#定义一个Placeholder，输入真是的label，用来计算损失函数

>>> cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))

#定义了一个损失函数cross-entropy

>>> train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#这一步是训练，设置学习速率是0.5

>>> tf.global_variables_initializer().run()

#下一步使用TensorFlow的全局参数初始化tf.global_variables_initializer，然后调用run()方法。

>>> for i in range(1000):
...     batch_xs,batch_ys = mnist.train.next_batch(100)
...     train_step.run({x:batch_xs, y_:batch_ys})

...

#迭代地进行训练操作train_step。

>>> correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))

#完成训练后，对模型的准确率进行验证。

>>> accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

#统计全部预测的accuracy，这里需要先用tf.cast将之前输出结果bool转换为float32，再求平均值

>>> print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

0.9192

#最后输出结果，准确率大概在91%~92%之间。

>>>
阅读更多