欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

利用tensorflow实现MNIST手写数字识别(单层神经网络)

程序员文章站 2022-07-07 11:22:20
...
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
# 参数1:下载到的目录,参数2:标签数据格式是不一样的
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

# print('训练集train的数量:', mnist.train.num_examples,
#       '测试集validation的数量:', mnist.validation.num_examples,
#       '验证集test的数量:', mnist.test.num_examples)
# print('train images shape:', mnist.train.images.shape,
#       'labels shape:', mnist.train.labels.shape)
# print(mnist.train.images[0].reshape(28,28))
# 对数据进行可视化
# import matplotlib.pyplot as plt
# def plot_image(image):
#       plt.imshow(image.reshape(28, 28),cmap='binary')
#       plt.show()
#
# print(plot_image(mnist.train.images[1000]))

# 数据的批量读取,一次读入十个数据
# next_batch()会对内部的数据先做buffle
# batch_images_xs, batch_labels_ys = mnist.train.next_batch(batch_size=10)
# print(batch_images_xs.shape,batch_labels_ys.shape)

# 定义待输入数据的占位符
# mnist数据集中的每张图片共有28x28=784个像素点
x = tf.placeholder(tf.float32, [None, 784], name='X')
# 0-9一共10个数字,10个类别
y = tf.placeholder(tf.float32, [None, 10], name='Y')

# 以正态分布的随机数初始化权重w
W = tf.Variable(tf.random_normal([784, 10]), name='W')
# 以常数0初始化偏置值b
b = tf.Variable(tf.zeros([10]), name='b')
# 用单个神经元构建神经网络,前向计算
forward = tf.matmul(x, W) + b
# softMax分类
pred = tf.nn.softmax(forward)

# 训练模型
# 设置训练参数
train_epochs = 50 #训练轮数
batch_size = 100 #单次训练样本数(批次大小)
# 一轮训练的批次数
total_batch = int(mnist.train.num_examples/batch_size)
display_step = 1 #显示粒数
learning_rate = 0.01 #学习率

# 定义交叉熵损失函数
loss_function = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

# 选择优化器
# 梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

# 定义准确率
# 检查预测类别和实际类别的匹配情况,tf.argmax()参数2:1表示列
correct_prediction = tf.equal(tf.argmax(pred, 1),tf.argmax(y, 1))
# 准确率,将布尔值转化为浮点值,tf.cast()转化数据类型
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 声明会话
sess = tf.Session()
# 变量初始化
init = tf.global_variables_initializer()
sess.run(init)

# 训练模型
for epoch in range(train_epochs):
      for batch in range(total_batch):
            # 读取批次训练数据
            xs, ys = mnist.train.next_batch(batch_size)
            # 执行批次训练
            sess.run(optimizer,feed_dict={x:xs, y:ys})
      # 在total_batch批次数据训练完成后,使用验证数据计算误差和准确率,验证集不分批
      loss, acc = sess.run([loss_function,accuracy],feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
      # 打印训练过程中的详细信息
      if (epoch+1) % display_step == 0:
            print('训练轮次:','%02d' % (epoch+1),
                  '损失:','{:.9f}'.format(loss),
                  '准确率:','{:.4f}'.format(acc))

print('训练结束')

# 评估模型
accu_test = sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels})
print('测试集上准确率:', accu_test)

accu_validation = sess.run(accuracy,feed_dict={x:mnist.validation.images, y:mnist.validation.labels})
print('验证集上准确率:', accu_validation)

accu_train = sess.run(accuracy,feed_dict={x:mnist.train.images, y:mnist.train.labels})
print('训练集上准确率:', accu_train)

# 由于预测结果是one-hot编码,需要转换为0-9数字
prediction_result = sess.run(tf.argmax(pred, 1), feed_dict={x:mnist.test.images})

# 查看预测结果的前10项
print(prediction_result[0:10])

# 可视化
import matplotlib.pyplot as plt
import numpy as np

def plot_images_labels_prediction(images,      #图像列表
                                   labels,      #标签列表
                                   predication, #预测值列表
                                   index,       #从第index个开始显示
                                   num=10):    # 缺省一次显示10幅
      fig = plt.gcf()               #获取当前图表,get current figure
      fig.set_size_inches(10,12)    #设为英寸,1英寸=2.53厘米
      if num > 25:
            num = 25          #最多显示25个子图
      for i in range(0,num):
            ax = plt.subplot(5,5, i+1)    #获取当前要处理的子图
            # 显示第index图像
            ax.imshow(np.reshape(images[index],(28,28)),cmap='binary')

            # 构建该图上显示的title
            title = 'label=' + str(np.argmax(labels[index]))
            if len(predication) > 0:
                  title += ",predict=" + str(predication[index])

            # 显示图上的title信息
            ax.set_title(title,fontsize=10)
            ax.set_xticks([]) # 不显示坐标轴
            ax.set_yticks([])
            index += 1

      plt.show()

plot_images_labels_prediction(mnist.test.images,
                               mnist.test.labels,
                               prediction_result, 10,25)

运行截图为

 利用tensorflow实现MNIST手写数字识别(单层神经网络)

利用tensorflow实现MNIST手写数字识别(单层神经网络)

predict为利用该模型的预测值,label为标记值