tensorflow入门案例详解——MNIST神经网络识别
2018-03-23 17:28
309 查看
1. MNIST下载
去官网http://yann.lecun.com/exdb/mnist/ 下载4个文件:训练图像集/训练标签集/测试图像集/测试标签集
在tensorflow example mnist的目录下面新建MNIST_data文件夹,然后把下载的4个MNIST数据集复制进去。例如我电脑上的路径如下:
C:\Users\Administrator\Anaconda3\envs\tensorflow\Lib\site-packages\tensorflow\examples\tutorials\mnist\MNIST_data
2. tensorflow MNIST代码分析
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
#数据读取与加载
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#创建计算图,每个operate是图中的一个节点。类似变量的声明,占位符与变量的区别是变量更灵活,可在计算中修改
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#softmax方法是一个通用化的sigmoid方法,就是一个通用的逻辑回归函数,softmax主要应用在多分类,sigmoid主要应用在二值分类
y = tf.nn.softmax(tf.matmul(x,W) + b)y_ = tf.placeholder("float", [None,10])
#定义交叉熵,交叉熵衡量两个分布的差异性,这个值的最小值等于真实值y_的熵
还有相对熵的概念,相对熵=交叉熵- y的熵,所以相对熵的最小值是0,这时候表明,预测的y的分布与真实值y_的分布完全一样
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#梯度下降法来最小化交叉熵,这里步长0.01
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#变量初始化并启动会话
init = tf.global_variables_initializer()
sess = tf.Session()sess.run(init)
#迭代训练模型的次数,这里每次next_batch随机抽样100份数据,用feed_dict把数据传给最开始定义的x
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#预测值评估,检查准确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
感兴趣的朋友想与我交流的话可以加群R语言&大数据分析456726635,或者加群Python & Spark 636866908。
去官网http://yann.lecun.com/exdb/mnist/ 下载4个文件:训练图像集/训练标签集/测试图像集/测试标签集
在tensorflow example mnist的目录下面新建MNIST_data文件夹,然后把下载的4个MNIST数据集复制进去。例如我电脑上的路径如下:
C:\Users\Administrator\Anaconda3\envs\tensorflow\Lib\site-packages\tensorflow\examples\tutorials\mnist\MNIST_data
2. tensorflow MNIST代码分析
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
#数据读取与加载
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#创建计算图,每个operate是图中的一个节点。类似变量的声明,占位符与变量的区别是变量更灵活,可在计算中修改
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#softmax方法是一个通用化的sigmoid方法,就是一个通用的逻辑回归函数,softmax主要应用在多分类,sigmoid主要应用在二值分类
y = tf.nn.softmax(tf.matmul(x,W) + b)y_ = tf.placeholder("float", [None,10])
#定义交叉熵,交叉熵衡量两个分布的差异性,这个值的最小值等于真实值y_的熵
还有相对熵的概念,相对熵=交叉熵- y的熵,所以相对熵的最小值是0,这时候表明,预测的y的分布与真实值y_的分布完全一样
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#梯度下降法来最小化交叉熵,这里步长0.01
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#变量初始化并启动会话
init = tf.global_variables_initializer()
sess = tf.Session()sess.run(init)
#迭代训练模型的次数,这里每次next_batch随机抽样100份数据,用feed_dict把数据传给最开始定义的x
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#预测值评估,检查准确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
感兴趣的朋友想与我交流的话可以加群R语言&大数据分析456726635,或者加群Python & Spark 636866908。
相关文章推荐
- Android入门教程 自定义View详解 真实案例
- CentOS 6.6下JDK1.7安装与配置(Linux)经典入门详解案例
- MyBatis学习(1):Mybatis使用详解和入门案例
- TensorFlow 从入门到精通(六):tensorflow.nn 详解
- 谷歌中国首席工程师详解TensorFlow:从入门到不放弃 ‖ PPT
- Spring学习(1):控制反转(IoC)和依赖注入(DI)的详解以及注解(annotation)开发入门案例
- JavaScript特效制作经典精讲(案例入门详解、可直接粘贴拷贝运行、史上最牛案例)
- 【JavaWeb-19】Hibernate简介、入门案例、Session操作、2个配置文件详解
- tensorflow入门案例
- 深度学习入门之一:Windows10(64)+Anaconda3(Python3.5)+TensorFlow-Gpu1.4+CUDA8.0+cuDNN6安装详解及Pycharm配置指南
- 详解Python使用tensorflow入门指南
- 【web】mybatis入门详解,基础案例demo
- 【06】框架学习—Struts2第一个入门案例详解
- Spring学习(1):控制反转(IoC)和依赖注入(DI)的详解以及注解(annotation)开发入门案例
- 【第11篇】最全的中文TypeScript入门指南详解案例教程与代码
- Java基础与案例开发详解のjava语言基础入门
- 《微信小程序:开发入门及案例详解》——布局
- Hibernate学习笔记 -- day02 hibernateAPI详解以及入门案例演示
- TensorFlow手写字识别mnist入门篇(代码及详解)
- 【02】框架学习—Hibernate第一个入门案例详解