Tensorflow 学习心得分享（二）MNIST手写数字的识别

2023年6月24日 243次阅读 来源: Lynne 

上一篇介绍了TensorFlow的安装步骤以及框架中的一些基本概念。
今天开始就要正式开始学习TensorFlow框架在神经网络中的应用实例：MNIST手写数字的识别

这个案例在TensorFlow框架中的地位就像是各种编程语言中的“Hello World！”一样的存在。我们就先从其中会用到的MNIST数据集开始介绍， MNIST数据集包括60000个训练样例和手写数字0-9，格式为28×28像素的单色图像万个测试样例。

TensorFlow f="https://www.tensorflow.org/api_docs/python/tf/layers">layers模块提供了一个高级API，可以轻松构建神经网络。它提供了方便创建密集（完全连接）图层和卷积图层的方法，添加了激活函数以及应用丢失正则化。在本教程中，我们将学习如何使用layers构建卷积神经网络模型来识别MNIST数据集中的手写数字。采用TensorFlow框架构建神经网络的框架：

import numpy as np
import tensorflow as tf

tf.logging.set_verbosity(tf.logging.INFO)

# Our application logic will be added here

if __name__ == "__main__":
  tf.app.run()

首先就是构建卷积神经网络，这里采用的是构建CNN网络，关于CNN网络的结构层介绍请参阅 ：https://cloud.tencent.com/developer/section/1475675

这里将以我学习框架时的代码进行详细的介绍，每一步都有注释，你会对网络整体有一个非常清晰的概念！！！

import tensorflow as tf  #引入TensorFlow框架
from tensorflow.examples.tutorials.mnist import input_data   #导入MNIST数据集
# 加载数据
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 创建会话  在运行程序时直接调用session
sess = tf.InteractiveSession()
# 设置占位符
x = tf.placeholder(tf.float32, shape=[None, 784])   # 数据集中均为28*28像素的图像
y_ = tf.placeholder(tf.float32, shape=[None, 10])
# 创建w参数
def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)


# 创建bias参数
def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)
# 创建卷积层，步长为1,周围补0，输入与输出的数据大小一样（可得到补全的圈数）
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #构造一个二维卷积层。采用过滤器数量，过滤内核大小，填充和激活函数作为参数。
# 创建池化层，kernel大小为2,步长为2,周围补0，输入与输出的数据大小一样（可得到补全的圈数）
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
#.建立第一组卷积层与池化层                        
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)


#建立第二组卷积层与池化层
# 初始化参数
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])


# 创建卷积层
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)


# 创建池化层
h_pool2 = max_pool_2x2(h_conv2)


#创建全连接层
# 初始化权重
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])


# 铺平图像数据
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])


# 全连接层计算
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# keep_prob表示保留不关闭的神经元的比例。
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)


#创建输出层：softmax层
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])


y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2


#训练与评估模型
# # 1.计算交叉熵损失
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_, logits=y_conv))


# # 2.创建优化器（注意这里用  AdamOptimizer代替了梯度下降法）
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)


# # 3. 计算准确率
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


# # 4.初始化所有变量
sess.run(tf.global_variables_initializer())


# # 5. 执行循环
for i in range(2000):
    # 每批取出50个训练样本
    batch = mnist.train.next_batch(50)
    # 循环次数是100的倍数的时候，打印东东
    if i % 100 == 0:
    # 计算正确率，
        train_accuracy = accuracy.eval(feed_dict={
           x: batch[0], y_: batch[1], keep_prob: 1.0})
        # 打印
        print("step %d, training accuracy %g" % (i, train_accuracy))
    # 执行训练模型
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
# 打印测试集正确率
print ("test accuracy %g" % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0
    }))

都是自己学习时跑的代码，环境是Python3.6，保证一定跑的通，有问题可以在评论区回复哈哈！ 喜欢的盆友点个赞吼吼，增加一下我写下去的信心哈哈

    原文作者：Lynne
    原文地址: https://zhuanlan.zhihu.com/p/36236028
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞