[关闭]
@Andream 2017-05-20T21:56:29.000000Z 字数 2015 阅读 1040

TensorFlow学习笔记(1)MNIST——识别手写数字

TensorFlow 机器学习 人工智能 Google Vison


文档链接:MNIST机器学习入门

  1. import tensorflow as tf
  2. import tensorflow.examples.tutorials.mnist.input_data as input_data
  3. mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
  4. # Data representation
  5. x = tf.placeholder(tf.float32, [None, 784]) # input image source
  6. W = tf.Variable(tf.zeros([784, 10]))
  7. b = tf.Variable(tf.zeros([10]))
  8. # Mathmatical model
  9. y = tf.nn.softmax(tf.matmul(x, W) + b)
  10. # Training model
  11. y_ = tf.placeholder("float", [None, 10]) # input image label
  12. # define a 'loss'
  13. cross_entropy = -tf.reduce_sum(y_*tf.log(y))
  14. # minimize it
  15. train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
  16. # Run in a session
  17. init = tf.global_variables_initializer()
  18. sess = tf.Session()
  19. sess.run(init)
  20. # LEARNING... 1000 TIMES
  21. for i in range(1000):
  22. batch_xs, batch_ys = mnist.train.next_batch(209) # random fetch 100 data
  23. sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys}) # feed_dict is what we should input
  24. # Evulating model
  25. correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # SEE argmax() & equal()
  26. accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
  27. print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

这个模型比较简单,每行代码照着写下来,一次就跑通了,主要是借此学习TensorFlow和机器学习的核心概念。

TensorFlow基本概念:

机器学习基本思路:

  1. 用矩阵(或者其他形式?)表示数据(源数据/待训练数据)
  2. 设计合适的数学模型表示目标数据
  3. 通过机器学习训练你的模型
    1. define loss
    2. minimize loss
  4. 评估你的模型的准确度

学习期间遇到的问题:

1、 无法下载数据集

  1. # 通过这两行代码,程序自动下载数据集
  2. # 如果因为网络问题无法下载,可手动下载数据集而后放到/MNIST_data目录下
  3. import tensorflow.examples.tutorials.mnist.input_data as input_data
  4. mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

2、 Session.run()之后都发生了什么?

  1. # 这句代码中,x: mnist.test.images流向了哪里?程序应该是通过x更新了y矩阵,那是否每一次x的更新都会导致y的更新呢?
  2. sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

3、 next_batch,next bitch!

  1. batch_xs, batch_ys = mnist.train.next_batch(100) # random fetch 100 data
  2. #按理说这句代码中的100可以改为任意值,但是我发现如果这个值超过209,最终输出的准确率总是0.098(正常情况应该是0.910左右),怪哉!

4、 其他小改动

  1. tf.initialize_all_variables() #已经弃用,应使用:
  2. tf.global_variables_initializer()
添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注