TensorFlow 训练 MNIST (1)—— softmax 单层神经网络
2020-01-13

 

1、MNIST数据集简介

  首先通过下面两行代码获取到TensorFlow内置的MNIST数据集:

from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("./data/mnist", one_hot=True)

  MNIST数据集共有55000(mnist.train.num_examples)张用于训练的数据,对应的有55000个标签;共有10000(mnist.test.num_examples)张用于测试的图片的数据,同样的有10000个标签与之对应。为了方便访问,这些图片或标签的数据都是被格式化了的。

  MNIST数据集的训练数据集(mnist.train.images)是一个 55000 * 784 的矩阵,矩阵的每一行代表一张图片(28 * 28 * 1)的数据,图片的数据范围是 [0, 1],代表像素点灰度归一化后的值。

  训练集的标签(mnist.train.labels)是一个55000 * 10 的矩阵,每一行的10个数字分别代表对应的图片属于数字0到9的概率,范围是0或1。一个标签行只有一个是1,表示该图片的正确数字是对应的下标值, 其余是0。

  测试集与训练集的类似,只是数据量不同。

  以下代码显示部分MNIST训练图片的形状及标签:

import numpy as npimport matplotlib.pyplot as plotfrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("./data/mnist", one_hot=True)trainImages = mnist.train.imagestrainLabels = mnist.train.labelsplot.figure(1, figsize=(4, 3))for i in range(6): curImage = np.reshape(trainImages[i, :], (28, 28)) curLabel = np.argmax(trainLabels[i, :]) ax = plot.subplot(int(str(23) + str(i+1))) plot.imshow(curImage, cmap=plot.get_cmap("gray")) plot.axis("off") ax.set_title(curLabel)plot.suptitle("MNIST")plot.show()

  上述代码输出的MNIST图片及其标签:

 2、通过单层神经网络进行训练

1 def train(trainCycle=50000, debug=False): 2 inputSize = 784 3 outputSize = 10 4 batchSize = 64 5 inputs = tf.placeholder(tf.float32, shape=[None, inputSize]) 6 7 # x * w = [64, 784] * [784, 10] 8 weights = tf.Variable(tf.random_normal([784, 10], 0, 0.1)) 9 bias = tf.Variable(tf.random_normal([outputSize], 0, 0.1))10 outputs = tf.add(tf.matmul(inputs, weights), bias)11 outputs = tf.nn.softmax(outputs)12 13 labels = tf.placeholder(tf.float32, shape=[None, outputSize])14 15 loss = tf.reduce_mean(tf.square(outputs - labels))16 optimizer = tf.train.GradientDescentOptimizer(0.1)17 trainer = optimizer.minimize(loss)18 19 sess = tf.Session()20 sess.run(tf.global_variables_initializer())21 for i in range(trainCycle):22 batch = mnist.train.next_batch(batchSize)23 sess.run([trainer, loss], feed_dict={inputs: batch[0], labels: batch[1]})24 25 if debug and i % 1000 == 0:26 corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))27 accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))28 accuracyValue = sess.run(accuracy, feed_dict={inputs: batch[0], labels: batch[1]})29 print(i, " train set accuracy:", accuracyValue)30 31 # 测试32 corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))33 accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))34 accuracyValue = sess.run(accuracy, feed_dict={inputs: mnist.test.images, labels: mnist.test.labels})35 print("accuracy on test set:", accuracyValue)36 37 sess.close()

 

3、训练结果

  上述模型的最终输出为:

由打印日志可以看出,前期收敛速度很快,后期开始波动。最后该模型在训练集上的正确率大概为90%,测试集上也差不多。精度还是比较低的,说明单层的神经网络在处理图片数据上存在着很大的缺陷,并不是一个很好的选择。

 

本文地址:https://www.cnblogs.com/laishenghao/p/9576806.html