MNIST数据集入门

# -*- coding: utf-8 -*-

import tensorflow as tf

import numpy as np

import input_data  # 需要下载数据集（包括了input_data）
# 加载数据集

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)  # minist用来获取批处理数据

# x: 任意数量的MNIST图像，每一张图展平成784维的向量。我们用2维的浮点数张量来表示这些

# 图，这个张量的形状是[None，784 ]。（这里的None表示此张量的第一个维度可以是任何

# 长度 batch取批量的大小 x图片的数量。）

x = tf.placeholder("float", shap=[None, 784])  # placeholder的shape参数是可选的，但有了它，TensorFlow能够自动捕捉因数据维度不一致导致的错误。

# 图片设为“xs”，把这些标签设为“ys”

# softmax模型可以用来给不同的对象分配概率

W = tf.Variable(tf.zeros([784, 10]))  # 28*28, 0-9

b = tf.Variable(tf.zeros([10]))  # 0-9

# 构建模型

y = tf.nn.softmax(tf.matmul(x, W) + b)  # y概率

# 训练构建的模型

# 先定义指标评估模型好坏(指标称为 成本cost,损失loss。小化这个指标)

# 成本函数“交叉熵”cross-entropy。

# 计算交叉熵 需要添加新的占位符 y_: 实际分布one-hot [1,0,0,0,0,0,0,0,0,0]  ??

y_ = tf.placeholder("float", [None, 10])

# 交叉熵

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

# tf的优化算法，根据交叉熵降低指标（成本，损失）

# 梯度算法，0.01的学习率不断地最小化交叉熵（指标）

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 运行模型前，初始化创建的变量

init = tf.initialize_all_variables()

# 启动init

sess = tf.Session()

sess.run(init)

# 开始训练模型1000次

for i in range(1000):

    # 获得100个批处理数据点

    batch_xs, batch_ys = mnist.train.next_batch(100)

    # 进行梯度算法

    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# 评估模型tf.argmax(x, 1)

# 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，比如tf.argmax(y,1)返回的是模型对于

# 任一输入x预测到的标签值，而 tf.argmax(y_,1) 代表正确的标签，我们可以用

# tf.equal 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配)。

current_prediction = tf.equal(tf.argmax(y, 1), tf.arg_max(y_, 1))

# 其结果为bool值 [True, False, ...]

# 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(current_prediction, "float"))

# 运行accuracy

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))  # 结果约为 91% 左右