快捷導(dǎo)航

TensorFlow MNIST手寫數(shù)據(jù)集的實(shí)現(xiàn)方法

更新時(shí)間：2020年02月05日 10:46:56 作者：Baby-Lily

MNIST數(shù)據(jù)集中包含了各種各樣的手寫數(shù)字圖片，這篇文章主要介紹了TensorFlow MNIST手寫數(shù)據(jù)集的實(shí)現(xiàn)方法,需要的朋友可以參考下

MNIST數(shù)據(jù)集介紹

MNIST數(shù)據(jù)集中包含了各種各樣的手寫數(shù)字圖片，數(shù)據(jù)集的官網(wǎng)是：http://yann.lecun.com/exdb/mnist/index.html，我們可以從這里下載數(shù)據(jù)集。使用如下的代碼對(duì)數(shù)據(jù)集進(jìn)行加載：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

運(yùn)行上述代碼會(huì)自動(dòng)下載數(shù)據(jù)集并將文件解壓在MNIST_data文件夾下面。代碼中的one_hot=True，表示將樣本的標(biāo)簽轉(zhuǎn)化為one_hot編碼。

MNIST數(shù)據(jù)集中的圖片是28*28的，每張圖被轉(zhuǎn)化為一個(gè)行向量，長(zhǎng)度是28*28=784，每一個(gè)值代表一個(gè)像素點(diǎn)。數(shù)據(jù)集中共有60000張手寫數(shù)據(jù)圖片，其中55000張訓(xùn)練數(shù)據(jù)，5000張測(cè)試數(shù)據(jù)。

在MNIST中，mnist.train.images是一個(gè)形狀為[55000, 784]的張量，其中的第一個(gè)維度是用來(lái)索引圖片，第二個(gè)維度圖片中的像素。MNIST數(shù)據(jù)集包含有三部分，訓(xùn)練數(shù)據(jù)集，驗(yàn)證數(shù)據(jù)集，測(cè)試數(shù)據(jù)集(mnist.validation)。

標(biāo)簽是介于0-9之間的數(shù)字，用于描述圖片中的數(shù)字，轉(zhuǎn)化為one-hot向量即表示的數(shù)字對(duì)應(yīng)的下標(biāo)為1，其余的值為0。標(biāo)簽的訓(xùn)練數(shù)據(jù)是[55000,10]的數(shù)字矩陣。

下面定義了一個(gè)簡(jiǎn)單的網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，代碼如下：

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
tf.reset_default_graph()
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
w = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))
pred = tf.matmul(x, w) + b
pred = tf.nn.softmax(pred)
cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=1))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
training_epochs = 25
batch_size = 100
display_step = 1
save_path = 'model/'
saver = tf.train.Saver()
with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for epoch in range(training_epochs):
    avg_cost = 0
    total_batch = int(mnist.train.num_examples/batch_size)
    for i in range(total_batch):
      batch_xs, batch_ys = mnist.train.next_batch(batch_size)
      _, c = sess.run([optimizer, cost], feed_dict={x:batch_xs, y:batch_ys})
      avg_cost += c / total_batch
    if (epoch + 1) % display_step == 0:
      print('epoch= ', epoch+1, ' cost= ', avg_cost)
  print('finished')
  correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  print('accuracy: ', accuracy.eval({x:mnist.test.images, y:mnist.test.labels}))
  save = saver.save(sess, save_path=save_path+'mnist.cpkt')
print(" starting 2nd session ...... ")
with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  saver.restore(sess, save_path=save_path+'mnist.cpkt')
  correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  print('accuracy: ', accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
  output = tf.argmax(pred, 1)
  batch_xs, batch_ys = mnist.test.next_batch(2)
  outputval= sess.run([output], feed_dict={x:batch_xs, y:batch_ys})
  print(outputval)
  im = batch_xs[0]
  im = im.reshape(-1, 28)
  plt.imshow(im, cmap='gray')
  plt.show()
  im = batch_xs[1]
  im = im.reshape(-1, 28)
  plt.imshow(im, cmap='gray')
  plt.show()

總結(jié)

以上所述是小編給大家介紹的TensorFlow MNIST手寫數(shù)據(jù)集的實(shí)現(xiàn)方法，希望對(duì)大家有所幫助！

您可能感興趣的文章: