安装完了Tensorflow,就是TensorFlow版的入门级内容,MNIST。
这里主要参考了Tensorflow 中文社区的一个入门版教材。
python代码如下所示:
或者可以直接clone我的:Tensorflow_Hello
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
def train(mnist):
# ***************
# 实现回归模型
# ***************
# 我们通过操作符号变量来描述这些可交互的操作单元
x = tf.placeholder("float", [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
# ***************
# 训练模型
# ***************
# 为了计算交叉熵,我们首先需要添加一个新的占位符用于输入正确值:
y_ = tf.placeholder("float", [None, 10])
# 计算交叉熵:
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 初始化我们创建的变量
init = tf.initialize_all_variables()
# 现在我们可以在一个Session里面启动我们的模型,并且初始化变量:
sess = tf.Session()
sess.run(init)
# 然后开始训练模型,这里我们让模型循环训练1000次!
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# ***************
# 评估我们的模型
# ***************
# 找出那些预测正确的标签
# tf.argmax 是一个非常有用的函数,它能给出某个tensor对象在某一维上的其数据最大值所在的索引值。
# 由于标签向量是由0,1组成,因此最大值1所在的索引位置就是类别标签
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 为了确定正确预测项的比例,我们可以把布尔值转换成浮点数,然后取平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
# 计算所学习到的模型在测试数据集上面的正确率。
output = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
print(output)
def main(argv=None):
# 声明处理MNIST数据集的类,这个类在初始化时会自动下载(当然要联网),但这里我使用已经下载好的数据集
MNIST_data_folder = r"G:\dataFile\minist"
# 一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。
# 比如,标签0将表示成([1,0,0,0,0,0,0,0,0,0,0])
mnist = input_data.read_data_sets(MNIST_data_folder, one_hot=True)
print("Training data size: ", mnist.train.num_examples) # 打印训练数据集大小
print("Validating data size: ", mnist.validation.num_examples) # 打印验证数据集的大小
print("Testing data size: ", mnist.test.num_examples) # 打印测试数据集的大小
train(mnist)
if __name__ == '__main__':
main()
结果大约是91%左右的准确度。
个人觉得代码注释是相对清晰的。可以参考下面的流程图