代码
import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data sess = tf.InteractiveSession() #远程下载MNIST数据，建议先下载好并保存在MNIST_data目录下 def DownloadData(): mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #编码格式：one-hot print(mnist.train.images.shape, mnist.train.labels.shape) #训练数据55000条 print(mnist.test.images.shape, mnist.test.labels.shape) #测试数据10000条 print(mnist.validation.images.shape, mnist.validation.labels.shape) #验证数据5000条 return mnist def Train(mnist): #Step1 定义算法公式Softmax Regression x = tf.placeholder(tf.float32, shape=(None, 784)) #构建占位符，代表输入的图像，维度None表示样本的数量可以是任意的，维度784代表特征向量，由图像大小28*28转换而来 weights = tf.Variable(tf.zeros([784, 10])) #构建一个变量，代表训练目标weights，初始化为0 biases = tf.Variable(tf.zeros([10])) #构建一个变量，代表训练目标biases，初始化为0 y = tf.nn.softmax(tf.matmul(x, weights) + biases) #构建了一个softmax的模型：y = softmax(Wx + b)，y指样本的预测值 y_ = tf.placeholder(tf.float32, [None, 10]) # 构建占位符，代表样本标签的真实值 #Step2 定义损失函数，选定优化器，并指定优化器优化损失函数 # 定义交叉熵损失函数 cross_entropy = tf.reduce_mean( -tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]) ) # 使用梯度下降算法（学习率为0.5）来最小化这个交叉熵损失函数 train = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) #Step3 训练数据 tf.global_variables_initializer().run() for i in range(2000): #迭代次数 batch_x, batch_y = mnist.train.next_batch(100) #一个batch的大小为100, 使用一个batch的数据来训练模型 sess.run(train, feed_dict={x: batch_x, y_: batch_y}) #用训练数据替代占位符来执行训练 if (i % 100 == 0): print("i=%d, 准确率=%g" % (i, Test(mnist, weights, biases)) ) print("准确率=%g" % Test(mnist, weights, biases)) # 在测试数据上对准确率进行评测 def Test(mnist, weights, biases): x = tf.placeholder(tf.float32, [None, 784]) #测试数据 y = tf.nn.softmax(tf.matmul(x, weights) + biases) #预测值 y_ = tf.placeholder(tf.float32, [None, 10]) #真实值 # tf.argmax()返回的是某一维度上其数据最大所在的索引值，在这里即代表预测值和真实值 # 判断预测值y和真实值y_中最大数的索引是否一致，y的值为1-10概率 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 用平均值来统计测试准确率 return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}) # 打印测试信息 def main(): mnist = DownloadData() Train(mnist) if __name__ == '__main__': main()
