MNIST手写数字识别
MNIST数据集介绍和下载:http://yann.lecun.com/exdb/mnist/
一、数据集介绍:
MNIST是一个入门级的计算机视觉数据集
下载下来的数据集被分成两部分:60000行的训练数据集(mnist.train)和10000行的测试数据集(mnist.test)
二、TensorFlow实现MNIST手写数字识别
(1)构建一个只有输入层和输出层的简单神经网络模型,使用二次代价函数和梯度下降算法进行优化;代码如下:
#TensorFlow实现MNIST手写数字识别-简单版本 import tensorflow as tf #Tensorflow提供了一个类来处理MNIST数据 from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets('MNIST_data',one_hot=True) #设置每个批次的大小 batch_size=100 #计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size #定义两个placeholder x=tf.placeholder(tf.float32,[None,784]) y=tf.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络(只有输入层和输出层) Weights=tf.Variable(tf.zeros([784,10])) biases=tf.Variable(tf.zeros([10])) prediction=tf.nn.softmax(tf.matmul(x,Weights)+biases) #定义代价函数(均方差函数) loss=tf.reduce_mean(tf.square(y-prediction)) #定义反向传播算法(使用梯度下降算法) train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #结果存放在一个布尔型列表中(argmax函数返回一维张量中最大的值所在的位置) correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #求准确率(tf.cast将布尔值转换为float型) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #创建会话 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) #初始化变量 #训练次数 for i in range(21): for batch in range(n_batch): batch_xs,batch_ys=mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter"+str(i)+",Testing Accuracy"+str(acc))
结果为:
(2)模型同上,使用交叉熵函数和梯度下降算法进行优化,
把上面代码的代价函数改为下面的交叉熵代价函数:
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
结果为:
(3)构建一个多层的神经网络模型,使用交叉熵函数和梯度下降算法进行优化,添加Dropout防止过拟合;
模型结构如下:
代码如下:
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets('MNIST_data',one_hot=True) #设置每个批次的大小 batch_size=100 #计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size #定义三个placeholder x=tf.placeholder(tf.float32,[None,784]) y=tf.placeholder(tf.float32,[None,10]) keep_prob=tf.placeholder(tf.float32) #存放百分率 #创建一个多层神经网络模型 #第一个隐藏层 W1=tf.Variable(tf.truncated_normal([784,2000],stddev=0.1)) b1=tf.Variable(tf.zeros([2000])+0.1) L1=tf.nn.tanh(tf.matmul(x,W1)+b1) L1_drop=tf.nn.dropout(L1,keep_prob) #keep_prob设置工作状态神经元的百分率 #第二个隐藏层 W2=tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1)) b2=tf.Variable(tf.zeros([2000])+0.1) L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2) L2_drop=tf.nn.dropout(L2,keep_prob) #第三个隐藏层 W3=tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1)) b3=tf.Variable(tf.zeros([1000])+0.1) L3=tf.nn.tanh(tf.matmul(L2_drop,W3)+b3) L3_drop=tf.nn.dropout(L3,keep_prob) #输出层 W4=tf.Variable(tf.truncated_normal([1000,10],stddev=0.1)) b4=tf.Variable(tf.zeros([10])+0.1) prediction=tf.nn.softmax(tf.matmul(L3_drop,W4)+b4) #定义交叉熵代价函数 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #定义反向传播算法(使用梯度下降算法) train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #结果存放在一个布尔型列表中(argmax函数返回一维张量中最大的值所在的位置) correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #求准确率(tf.cast将布尔值转换为float型) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #创建会话 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) #初始化变量 #训练次数 for i in range(21): for batch in range(n_batch): batch_xs,batch_ys=mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0}) #测试数据计算出的准确率 test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0}) print("Iter"+str(i)+",Testing Accuracy"+str(test_acc))
结果为: