TFboy養成記 MNIST Classification （主要是如何計算accuracy）

 參考：莫煩。

主要是運用的ＭＬＰ。另外這里用到的是批訓練：

這個代碼很簡單，跟上次的基本沒有什么區別。

這里的lossfunction用到的是是交叉熵cross_entropy.可能網上很多形式跟這里的並不一樣。

這里一段時間會另開一個欄。專門去寫一些機器學習上的一些理論知識。

這里代碼主要寫一下如何計算accuracy：

def getAccuracy(v_xs,v_ys):
    global y_pre
    y_v = sess.run(y_pre,feed_dict={x:v_xs})
    correct_prediction = tf.equal(tf.arg_max(y_v,1),tf.arg_max(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={x:v_xs,y:v_ys})
    
    return result

首先得到ground truth，與預測值，然后對着預測值得到tf,arg_max---->你得到的是以float tensor，tensor上的各個值是各個分類結果的可能性，而argmax函數就是求里面的最大值的下表也就是結果。

注意這里每次得到的是一個batch的結果，也就是說以一個【9,1,2，、。。。。】的這種tensor，所以最后用tf.equal得到一個表示分類值與實際類標是否相同的Bool型tensor。最后把tensor映射到0,1,兩個值上就可以了.

可能會有人問為什么不用int表示而是用float32來表示呢？因為下面腰酸的是准確率，如果是int32，那么按tensorflow的整數除法運算是直接取整數部分不算小數點的。（這幾個涉及到的函數在之前的博客）

全部代碼：

# -*- coding: utf-8 -*-
"""
Created on Sun Jun 18 15:31:11 2017

@author: Jarvis
"""

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

def addlayer(inputs,insize,outsize,activate_func = None):
    W = tf.Variable(tf.random_normal([insize,outsize]),tf.float32)
    b = tf.Variable(tf.zeros([1,outsize]),tf.float32)
    W_plus_b = tf.matmul(inputs,W)+b

    if activate_func == None:
        return W_plus_b
    else:
        return activate_func(W_plus_b)
def getAccuracy(v_xs,v_ys):
    global y_pre
    y_v = sess.run(y_pre,feed_dict={x:v_xs})
    correct_prediction = tf.equal(tf.arg_max(y_v,1),tf.arg_max(v_ys,1))
    
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict={x:v_xs,y:v_ys})
    
    return result
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

x  = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#h1 = addlayer(x,784,14*14,activate_func=tf.nn.softmax)
#y_pre = addlayer(h1,14*14,10,activate_func=tf.nn.softmax)
y_pre = addlayer(x,784,10,activate_func=tf.nn.softmax)

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y*tf.log(y_pre),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(10001):
    x_batch,y_batch = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:x_batch,y:y_batch})
    
    if i % 100 == 0:
        print (getAccuracy(mnist.test.images,mnist.test.labels))