一、TensorFlow簡(jiǎn)介

TensorFlow是由谷歌開(kāi)發(fā)的一套機(jī)器學(xué)習(xí)的工具，使用方法很簡(jiǎn)單，只需要輸入訓(xùn)練數(shù)據(jù)位置，設(shè)定參數(shù)和優(yōu)化方法等，TensorFlow就可以將優(yōu)化結(jié)果顯示出來(lái)，節(jié)省了很大量的編程時(shí)間，TensorFlow的功能很多很強(qiáng)大，這邊挑選了一個(gè)比較簡(jiǎn)單實(shí)現(xiàn)的方法，就是利用TensorFlow的邏輯回歸算法對(duì)數(shù)據(jù)庫(kù)中的手寫(xiě)數(shù)字做識(shí)別，讓機(jī)器找出規(guī)律，然后再導(dǎo)入新的數(shù)字讓機(jī)器識(shí)別。

二、流程介紹

上圖是TensorFlow的流程，可以看到一開(kāi)始要先將參數(shù)初始化，然后導(dǎo)入訓(xùn)練數(shù)據(jù)，計(jì)算偏差，然后修正參數(shù)，再導(dǎo)入新的訓(xùn)練數(shù)據(jù)，不斷重復(fù)，當(dāng)數(shù)據(jù)量越大，理論上參數(shù)就會(huì)越準(zhǔn)確，不過(guò)也要注意不可訓(xùn)練過(guò)度。

三、導(dǎo)入數(shù)據(jù)

數(shù)據(jù)可進(jìn)入MNIST數(shù)據(jù)庫(kù) (Mixed National Institute of Standards and Technology database)，這是一個(gè)開(kāi)放的數(shù)據(jù)庫(kù)，里面有許多免費(fèi)的訓(xùn)練數(shù)據(jù)可以提供下載，這次我們要下載的是手寫(xiě)的阿拉伯?dāng)?shù)字，為什么要阿拉伯?dāng)?shù)字呢？1、因?yàn)榻Y(jié)果少，只有十個(gè)，比較好訓(xùn)練 2、圖片的容量小，不占空間，下面是部分的訓(xùn)練數(shù)據(jù)案例

TensorFlow可以直接下載MNIST上的訓(xùn)練數(shù)據(jù)，并將它導(dǎo)入使用，下面為導(dǎo)入數(shù)據(jù)的代碼

from tensorflow.examples.tutorials.mnist import input_data
MNIST = input_data.read_data_sets("/data/mnist", one_hot=True)

四、設(shè)定參數(shù)

接下來(lái)就是在TensorFlow里設(shè)定邏輯回歸的參數(shù)，我們知道回歸的公式為Y=w*X+b，X為輸入，Y為計(jì)算結(jié)果，w為權(quán)重參數(shù)，b為修正參數(shù)，其中w和b就是我們要訓(xùn)練修正的參數(shù)，但訓(xùn)練里要怎么判斷計(jì)算結(jié)果好壞呢？就是要判斷計(jì)算出來(lái)的Y和實(shí)際的Y損失值（loss）是多少，并盡量減少loss，這邊我們使用softmax函數(shù)來(lái)計(jì)算，softmax函數(shù)在計(jì)算多類別分類上的表現(xiàn)比較好，有興趣可以百度一下，這邊就不展開(kāi)說(shuō)明了，下面為參數(shù)設(shè)定

X = tf.placeholder(tf.float32, [batch_size, 784], name="image")
Y = tf.placeholder(tf.float32, [batch_size, 10], name="label")

X為輸入的圖片，圖片大小為784K，Y為實(shí)際結(jié)果，總共有十個(gè)結(jié)果（數(shù)字0-9）

w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name="weights")
b = tf.Variable(tf.zeros([1, 10]), name="bias")

w初始值為一個(gè)隨機(jī)的變數(shù)，標(biāo)準(zhǔn)差為0.01，b初始值為0。

logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y)
loss = tf.reduce_sum(entropy)

TensorFlow里面已經(jīng)有softmax的函數(shù)，只要把他叫出來(lái)就可以使用。

optimizer =
tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  n_batches = int(MNIST.train.num_examples/batch_size)
  for i in range(n_epochs): # train the model n_epochs times
    for _ in range(n_batches):
      X_batch, Y_batch = MNIST.train.next_batch(batch_size)
      sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch})

接著就是設(shè)定優(yōu)化方式，這邊是使用梯度降下發(fā)，然后將參數(shù)初始化，接著就運(yùn)行了，這邊要提一下，我們的訓(xùn)練方式是每次從訓(xùn)練數(shù)據(jù)里面抓取一個(gè)batch的數(shù)據(jù)，然后進(jìn)行計(jì)算，這樣可以預(yù)防過(guò)度訓(xùn)練，也比較可以進(jìn)行事后的驗(yàn)證，運(yùn)行完后再用下面的代碼進(jìn)行驗(yàn)證

n_batches = int(MNIST.test.num_examples/batch_size)
  total_correct_preds = 0
  for i in range(n_batches):
    X_batch, Y_batch = MNIST.test.next_batch(batch_size)
    _, loss_batch, logits_batch = sess.run([optimizer, loss, logits],
    feed_dict={X: X_batch, Y:Y_batch})
    preds = tf.nn.softmax(logits_batch)
    correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y_batch, 1))
    accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))
    total_correct_preds += sess.run(accuracy)
  print ("Accuracy {0}".format(total_correct_preds/MNIST.test.num_examples))

最后shell跑出來(lái)的結(jié)果是0.916，雖然看上去還算是不錯(cuò)的結(jié)果，但其實(shí)準(zhǔn)確率是很低的，因?yàn)樗?yàn)證的方式是判斷一個(gè)圖片是否為某個(gè)數(shù)字（單輸出），所以假如機(jī)器隨便猜也會(huì)有0.82左右的命中幾率（0.9*0.9+0.1*0.1），想要更準(zhǔn)確的話目前想到有兩個(gè)方向，一個(gè)是提高訓(xùn)練量和增加神經(jīng)網(wǎng)絡(luò)的層數(shù)。

到此這篇關(guān)于python用TensorFlow做圖像識(shí)別的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)TensorFlow 圖像識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論