Press "Enter" to skip to content

TensorFlow 训练 MNIST (1)—— softmax 单层神经网络

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

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 .examples.tutorials. import input_data
mnist = 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 np
import matplotlib.pyplot as plot
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('./data/mnist', one_hot=True)
trainImages = mnist.train.images
trainLabels = mnist.train.labels
plot.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

def train(trainCycle=50000, debug=False):
inputSize = 784
outputSize = 10
batchSize = 64
inputs = tf.placeholder(tf.float32, shape=[None, inputSize])
# x * w = [64, 784] * [784, 10]
weights = tf.Variable(tf.random_normal([784, 10], 0, 0.1))
bias = tf.Variable(tf.random_normal([outputSize], 0, 0.1))
outputs = tf.add(tf.matmul(inputs, weights), bias)
outputs = tf.nn.(outputs)
labels = tf.placeholder(tf.float32, shape=[None, outputSize])
loss = tf.reduce_mean(tf.square(outputs – labels))
optimizer = tf.train.GradientDescentOptimizer(0.1)
trainer = optimizer.minimize(loss)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(trainCycle):
batch = mnist.train.next_batch(batchSize)
sess.run([trainer, loss], feed_dict={inputs: batch[0], labels: batch[1]})
if debug and i % 1000 == 0:
corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
accuracyValue = sess.run(accuracy, feed_dict={inputs: batch[0], labels: batch[1]})
print(i, ‘ train set accuracy:’, accuracyValue)
# 测试
corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
accuracyValue = sess.run(accuracy, feed_dict={inputs: mnist.test.images, labels: mnist.test.labels})
print(“accuracy on test set:”, accuracyValue)
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。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注