TensorFlow訓練MNIST數據集（1） —— softmax 單層神經網絡

 

1、MNIST數據集簡介

　　首先通過下面兩行代碼獲取到TensorFlow內置的MNIST數據集：

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./data/mnist', one_hot=True)

　　MNIST數據集共有55000（mnist.train.num_examples）張用於訓練的數據，對應的有55000個標簽；共有10000（mnist.test.num_examples）張用於測試的圖片的數據，同樣的有10000個標簽與之對應。為了方便訪問，這些圖片或標簽的數據都是被格式化了的。

　　MNIST數據集的訓練數據集（mnist.train.images）是一個 55000 * 784 的矩陣，矩陣的每一行代表一張圖片（28 * 28 * 1）的數據，圖片的數據范圍是 [0, 1]，代表像素點灰度歸一化后的值。

　　訓練集的標簽（mnist.train.labels）是一個55000 * 10 的矩陣，每一行的10個數字分別代表對應的圖片屬於數字0到9的概率，范圍是0或1。一個標簽行只有一個是1，表示該圖片的正確數字是對應的下標值， 其余是0。

　　測試集與訓練集的類似，只是數據量不同。

　　以下代碼顯示部分MNIST訓練圖片的形狀及標簽：

import numpy as np
import matplotlib.pyplot as plot
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./data/mnist', one_hot=True)
trainImages = mnist.train.images
trainLabels = mnist.train.labels

plot.figure(1, figsize=(4, 3))
for i in range(6):
    curImage = np.reshape(trainImages[i, :], (28, 28))
    curLabel = np.argmax(trainLabels[i, :])
    ax = plot.subplot(int(str(23) + str(i+1)))
    plot.imshow(curImage, cmap=plot.get_cmap('gray'))
    plot.axis('off')
    ax.set_title(curLabel)

plot.suptitle('MNIST')
plot.show()

　　上述代碼輸出的MNIST圖片及其標簽：

 2、通過單層神經網絡進行訓練

def train(trainCycle=50000, debug=False):
    inputSize  = 784
    outputSize = 10
    batchSize  = 64
    inputs = tf.placeholder(tf.float32, shape=[None, inputSize])

    # x * w = [64, 784] * [784, 10]
    weights   = tf.Variable(tf.random_normal([784, 10], 0, 0.1))
    bias      = tf.Variable(tf.random_normal([outputSize], 0, 0.1))
    outputs   = tf.add(tf.matmul(inputs, weights), bias)
    outputs   = tf.nn.softmax(outputs)

    labels = tf.placeholder(tf.float32, shape=[None, outputSize])

    loss      = tf.reduce_mean(tf.square(outputs - labels))
    optimizer = tf.train.GradientDescentOptimizer(0.1)
    trainer   = optimizer.minimize(loss)

    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    for i in range(trainCycle):
        batch = mnist.train.next_batch(batchSize)
        sess.run([trainer, loss], feed_dict={inputs: batch[0], labels: batch[1]})

        if debug and i % 1000 == 0:
            corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
            accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
            accuracyValue = sess.run(accuracy, feed_dict={inputs: batch[0], labels: batch[1]})
            print(i, ' train set accuracy:', accuracyValue)

    # 測試
    corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
    accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
    accuracyValue = sess.run(accuracy, feed_dict={inputs: mnist.test.images, labels: mnist.test.labels})
    print("accuracy on test set:", accuracyValue)

    sess.close()

 

3、訓練結果

　　上述模型的最終輸出為：

由打印日志可以看出，前期收斂速度很快，后期開始波動。最后該模型在訓練集上的正確率大概為90%，測試集上也差不多。精度還是比較低的，說明單層的神經網絡在處理圖片數據上存在着很大的缺陷，並不是一個很好的選擇。

 

本文地址：https://www.cnblogs.com/laishenghao/p/9576806.html