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

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_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.softmax(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。

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