基于TensorFlow简单实现手写体数字识别

本案例采用的是MNIST数据集^[1]，是一个入门级的计算机视觉数据集。

MNIST数据集已经被嵌入到TensorFlow中，可以直接下载和安装。

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

此时，文件名为MNIST_data的数据集就下载下来了，其中one_hot=True为将样本标签转化为one_hot编码。

接下来将MNIST的信息打印出来。

3 print('输入数据：',mnist.train.images)
4 print('输入数据的尺寸：',mnist.train.images.shape)
5 import pylab
6 im=mnist.train.images[0]  #第一张图片
7 im=im.reshape(-1,28)
8 pylab.imshow(im)
9 pylab.show()

输出为：

输入数据： [[0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]]
输入数据的尺寸： (55000, 784)

MNIST的图片尺寸为28*28，数据集的存储把所有的图片存在一个矩阵中，将一张图片铺开存为一个行向量，从输出信息我们可以知道训练集包含55000张图片。

MNIST中还包括测试集和验证集，大小分别为10000和5000。

10 print("测试集大小：",mnist.test.images.shape)
11 print("验证集大小：",mnist.validation.images.shape)

测试集用于训练过程中评估模型的准确度，验证集用于最终评估模型的准确度。

接下来就可以进行识别了，采用最简单的单层神经网络的方法，大致顺序就是定义输入-学习参数-学习参数和输入计算-计算损失-定义优化函数-迭代优化

 1 import tensorflow as tf
 2 mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)
 3 tf.reset_default_graph()   #清除默认图形堆栈并重置全局默认图形
 4 #定义占位符
 5 x=tf.placeholder(tf.float32,[None,784])   #图像28*28=784
 6 y=tf.placeholder(tf.float32,[None,10])    #标签10类
 7 #定义学习参数
 8 w=tf.Variable(tf.random_normal([784,10])) #权值，初始化为正太随机值
 9 b=tf.Variable(tf.zeros([10]))             #偏置，初始化为0
10 #定义输出
11 pred=tf.nn.softmax(tf.matmul(x,w)+b)      #相当于单层神经网络，激活函数为softmax
12 #损失函数
13 cost=tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))  #reduction_indices指定计算维度
14 #优化函数
15 optimizer=tf.train.GradientDescentOptimizer(0.01).minimize(cost)   #梯度下降优化器，学习率为0.01
16 #定义训练参数
17 training_epochs=25   #训练次数
18 batch_size=100       #每次训练图像数量
19 display_step=1       #打印训练信息周期
20 
21 #开始训练
22 with tf.Session() as sess :
23     sess.run(tf.global_variables_initializer())   #初始化所有参数
24     for epoch in range(training_epochs) :
25         avg_cost=0.                               #平均损失
26         total_batch=int(mnist.train.num_examples/batch_size)   #计算总的训练批次
27         for i in range(total_batch) :
28             batch_xs, batch_ys=mnist.train.next_batch(batch_size)  #抽取数据
29             _, c=sess.run([optimizer,cost], feed_dict={x:batch_xs, y:batch_ys})  #运行
30             avg_cost+=c/total_batch
31         if (epoch+1) % display_step == 0 :
32             print("Epoch:",'%04d'%(epoch+1),"cost=","{:.9f}".format(avg_cost))
33     print("Finished!")

运行得到的结果：

Epoch: 0001 cost= 7.973125283
...
Epoch: 0025 cost= 0.898346810
Finished!

可以看出，损失降低了很多，得到的结果还不错，这只是简单的模型，使用复杂的模型可以得到更好的结果，将在以后给出。

[1] http://yann.lecun.com/exdb/mnist/

标签：...,batch,tf,cost,手写体,TensorFlow,识别,data,mnist
来源： https://www.cnblogs.com/xbyfight/p/11103979.html