Tensorflow深度学习应用(进阶篇)-1

#coding=gbk

'''
逻辑回归：
    逻辑回归需要将输出控制在[0,1]之间，可以使用函数将值映射在[0,1]之间
    Sigmod函数，
    逻辑回归一般采用对数损失函数；
'''
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  #设置显示绘图显示中文
mpl.rcParams['axes.unicode_minus'] = False  #防止中文乱码，有时候第一句不能完全避免显示错误

#导入tensorflow 模块
import tensorflow.compat.v1 as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.utils import shuffle

import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

print("训练集:", mnist.train.num_examples,
    "测试集:", mnist.test.num_examples,
    "验证集", mnist.validation.num_examples)
    
print("Image shape:", mnist.train.images.shape,
    "labels shape:",mnist.train.labels.shape)
'''运行结果：
训练集: 55000 测试集: 10000 验证集 5000
Image shape: (55000, 784) labels shape: (55000, 10)
分析：
    图像数据，有55000条数据，每条特征有784个(28x28的灰度图，只有一个颜色通道)
    标签图像数据：有55000条，每条长度为10(one_hot编码的数据)
'''

#显示图像函数定义
def plot_image(image):
    plt.imshow(image.reshape(28, 28), cmap='binary')
    plt.show()

plot_image(mnist.train.images[3])
print(mnist.train.labels[3])
'''
显示数字6；
[0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]，对应的标签，为1的代表数字6

这种编码方式是one_hot独热编码方式
'''

#取得独热编码的值,若one_hot设置为False，则标签中就直接为值
val = np.argmax(mnist.train.labels[3])#获取编码对应的值，
print(val)  #值为数字6

#数据集的划分，可以将数据分为训练集，测试集，验证集，可以大幅度减低过拟合的发生几率


#数据的批量读取
mnist.train.images[0:10]#切片
batch_images_xs, batch_labels_ys = \
    mnist.train.next_batch(batch_size=10)  #自动移动
    
x = tf.placeholder(tf.float32, [None, 784], name='x')
y = tf.placeholder(tf.float32, [None, 10], name='y')
w = tf.Variable(tf.random_normal([784, 10], name='w'))#正态随机数初始化
b = tf.Variable(tf.zeros([10], name='b'))

#前向计算
f = tf.matmul(x, w) + b

#计算结果分类,表示为哪一类的概率值，将值控制在[0,1]之间
p = tf.nn.softmax(f)


#模型构建
train_c = 80
#批量数据大小
b_size = 100
#全部需要几个批次训练一次
total_b_size = int(mnist.train.num_examples / b_size)
step = 1
learning_rate = 0.01

#损失函数(交叉熵损失函数)
loss_Fun = tf.reduce_mean(-tf.reduce_sum(y * tf.log(p), reduction_indices=1))
#优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_Fun)
#检查预测类别tf.argmax(p,1)与实际类别tf.argmax(y,1)的匹配情况
correct_prediction = tf.equal(tf.argmax(p, 1), tf.argmax(y, 1))

#准确率，将bool转换为浮点数，计算平均值
ave = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

for i in range(train_c):
    for batch in range(total_b_size):
        x_, y_ = mnist.train.next_batch(b_size)
        sess.run(optimizer, feed_dict={x: x_, y: y_})
    #使用验证数据集计算误差与准确率
    loss, acc = sess.run([loss_Fun, ave], feed_dict={x: mnist.validation.images, y: mnist.validation.labels})
    
    print("Train count:", i + 1, "Loss=", "{:.9f}".format(loss), "acc=", "{:.4f}".format(acc))
print("训练结束！")

#模型运用
Predict_Result = sess.run(tf.argmax(p, 1), feed_dict={x: mnist.test.images})
print(Predict_Result[0:10])

def plot_Result(images, labels, prediction, index, num=10):
    fig = plt.gcf()
    fig.set_size_inches(10, 12)
    if num > 25:
        num = 25
    for i in range(0, num):
        ax = plt.subplot(5, 5, i + 1)
        ax.imshow(np.reshape(images[index], (28, 28)), cmap='binary')
        title = "label=" + str(np.argmax(labels[index]))
        if len(prediction) > 0:
            title += ",predict=" + str(prediction[index])
        ax.set_title(title, fontsize=10)

        #不显示坐标轴
        ax.set_xticks([])
        ax.set_yticks([])
        index += 1
    plt.show()

plot_Result(mnist.test.images,mnist.test.labels,Predict_Result,10,10)

附：
本文章学习自中国大学mooc-深度学习应用开发-Tensorflow实战