您的位置：首页 > 编程语言

Tensorflow MNIST 数据集测试代码入门

2016-02-19 14:36 821 查看

本系列文章由 @yhl_leo 出品，转载请注明出处。

文章链接： /article/3666860.html

测试代码已上传至GitHub：yhlleo/mnist

将MNIST数据集，下载后拷贝到文件夹

Mnist_data

中，如果已经配置好

tensorflow

环境，主要的四个测试代码文件，都可以直接编译运行：

mnist_softmax.py

: MNIST机器学习入门

mnist_deep.py

: 深入MNIST

fully_connected_feed.py

: TensorFlow运作方式入门

mnist_with_summaries.py

: Tensorboard训练过程可视化

mnist_softmax.py
运行结果比较简单，就不列举。

mnist_deep.py
迭代运行较为耗时，结果已显示在博客：深入MNIST code测试。

fully_connected_feed.py
的运行结果如下（本人电脑为2 CPU，没有使用GPU）：

[code]Extracting Mnist_data/train-images-idx3-ubyte.gz
Extracting Mnist_data/train-labels-idx1-ubyte.gz
Extracting Mnist_data/t10k-images-idx3-ubyte.gz
Extracting Mnist_data/t10k-labels-idx1-ubyte.gz
I tensorflow/core/common_runtime/local_device.cc:25] Local device intra op parallelism threads: 2
I tensorflow/core/common_runtime/local_session.cc:45] Local session inter op parallelism threads: 2
Step 0: loss = 2.33 (0.023 sec)
Step 100: loss = 2.09 (0.007 sec)
Step 200: loss = 1.76 (0.009 sec)
Step 300: loss = 1.36 (0.007 sec)
Step 400: loss = 1.12 (0.007 sec)
Step 500: loss = 0.74 (0.008 sec)
Step 600: loss = 0.78 (0.006 sec)
Step 700: loss = 0.69 (0.007 sec)
Step 800: loss = 0.67 (0.007 sec)
Step 900: loss = 0.52 (0.010 sec)
Training Data Eval:
  Num examples: 55000  Num correct: 47532  Precision @ 1: 0.8642
Validation Data Eval:
  Num examples: 5000  Num correct: 4360  Precision @ 1: 0.8720
Test Data Eval:
  Num examples: 10000  Num correct: 8705  Precision @ 1: 0.8705
Step 1000: loss = 0.56 (0.013 sec)
Step 1100: loss = 0.50 (0.145 sec)
Step 1200: loss = 0.33 (0.007 sec)
Step 1300: loss = 0.44 (0.006 sec)
Step 1400: loss = 0.39 (0.006 sec)
Step 1500: loss = 0.33 (0.009 sec)
Step 1600: loss = 0.56 (0.008 sec)
Step 1700: loss = 0.50 (0.007 sec)
Step 1800: loss = 0.42 (0.006 sec)
Step 1900: loss = 0.41 (0.006 sec)
Training Data Eval:
  Num examples: 55000  Num correct: 49220  Precision @ 1: 0.8949
Validation Data Eval:
  Num examples: 5000  Num correct: 4520  Precision @ 1: 0.9040
Test Data Eval:
  Num examples: 10000  Num correct: 9014  Precision @ 1: 0.9014
[Finished in 22.8s]

mnist_with_summaries.py
主要提供了一种在Tensorboard可视化方法，首先，编译运行代码：

运行完毕后，打开终端

Terminal

，输入

tensorboard --logdir=/tmp/mnist_logs

（与

writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph_def)

中的文件路径一致），终端中就会运行显示：

Starting TensorBoard on port 6006 (You can navigate to http://localhost:6006)[/code] 
然后，打开浏览器，输入链接http://localhost:6006
：



其中，有一些选项，例如菜单栏里包括EVENTS, IMAGES, GRAPH, HISTOGRAMS
，都可以一一点开查看~

另外，此时如果不关闭该终端，是无法在其他终端中重新生成可视化结果的，会出现端口占用的错误，更多详细信息可以查看英文原文：TensorBoard: Visualizing Learning。

如有纰漏，欢迎指正！

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航