脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - tensorflow实现softma识别MNIST

tensorflow实现softma识别MNIST

2021-01-21 00:16freedom098 Python

这篇文章主要为大家详细介绍了tensorflow实现softma识别MNIST,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

识别MNIST已经成了深度学习的hello world,所以每次例程基本都会用到这个数据集,这个数据集在tensorflow内部用着很好的封装,因此可以方便地使用。

这次我们用tensorflow搭建一个softmax多分类器,和之前搭建线性回归差不多,第一步是通过确定变量建立图模型,然后确定误差函数,最后调用优化器优化。

误差函数与线性回归不同,这里因为是多分类问题,所以使用了交叉熵。

另外,有一点值得注意的是,这里构建模型时我试图想拆分多个函数,但是后来发现这样做难度很大,因为图是在规定变量就已经定义好的,不能随意拆分,也不能当做变量传来传去,因此需要将他们写在一起。

代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
#encoding=utf-8
__author__ = 'freedom'
import tensorflow as tf
 
def loadMNIST():
 from tensorflow.examples.tutorials.mnist import input_data
 mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
 return mnist
 
def softmax(mnist,rate=0.01,batchSize=50,epoch=20):
 n = 784 # 向量的维度数目
 m = None # 样本数,这里可以获取,也可以不获取
 c = 10 # 类别数目
 
 x = tf.placeholder(tf.float32,[m,n])
 y = tf.placeholder(tf.float32,[m,c])
 
 w = tf.Variable(tf.zeros([n,c]))
 b = tf.Variable(tf.zeros([c]))
 
 pred= tf.nn.softmax(tf.matmul(x,w)+b)
 loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))
 opt = tf.train.GradientDescentOptimizer(rate).minimize(loss)
 
 init = tf.initialize_all_variables()
 
 sess = tf.Session()
 sess.run(init)
 for index in range(epoch):
  avgLoss = 0
  batchNum = int(mnist.train.num_examples/batchSize)
  for batch in range(batchNum):
   batch_x,batch_y = mnist.train.next_batch(batchSize)
   _,Loss = sess.run([opt,loss],{x:batch_x,y:batch_y})
   avgLoss += Loss
  avgLoss /= batchNum
  print 'every epoch average loss is ',avgLoss
 
 right = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
 accuracy = tf.reduce_mean(tf.cast(right,tf.float32))
 print 'Accracy is ',sess.run(accuracy,({x:mnist.test.images,y:mnist.test.labels}))
 
 
if __name__ == "__main__":
 mnist = loadMNIST()
 softmax(mnist)

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:http://blog.csdn.net/freedom098/article/details/52116813

延伸 · 阅读

精彩推荐