• 1Classification 分类学习
  • 1首先准备数据MNIST库
  • 2构建网络模型
  • 3建立loss函数
  • 4train方法
  • 5train并输出结果
  • 6完整代码

5.1Classification 分类学习

这次介绍TensorFlow解决Classification（分类）问题。 之前的视频讲解的是Regression (回归)问题。 分类和回归的区别在于输出变量的类型上。 通俗理解定量输出是回归，或者说是连续变量预测； 定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务； 把东西分成几类, 比如猫狗猪牛，就是一个分类任务。

1首先准备数据（MNIST库）

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

MNIST库是手写体数字库，差不多是这样子的

数据中包含55000张训练图片，每张图片的分辨率是28×28，所以我们的训练网络输入应该是28×28=784个像素数据。

xs = tf.placeholder(tf.float32, [None, 784]) # 28x28

每张图片都表示一个数字，所以我们的输出是数字0到9，共10类。

ys = tf.placeholder(tf.float32, [None, 10])

2构建网络模型

调用add_layer函数搭建一个最简单的训练网络结构，只有输入层和输出层。

prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)

其中输入数据是784个特征，输出数据是10个特征，激励采用softmax函数，网络结构图是这样子的

3建立loss函数

loss函数（即最优化目标函数）选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零。

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss

4train方法

train方法（最优化算法）采用梯度下降法。

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()
sess.run(tf.global_variables_initializer())

5train并输出结果

现在开始train，每次只取100张图片，免得数据太多训练太慢。

batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})

每训练50次输出一下预测精度

if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels))

输出结果如下：

有没有很惊讶啊，如此简单的神经网络结构竟然可以达到这样的图像识别精度，其实稍作改动后，识别的精度将大幅提高。 请关注后续课程哦。

6完整代码

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

# 装载数据 number 1 to 10 data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 添加层的方法
def add_layer(inputs, in_size, out_size, activation_function=None,):
    # add one more layer and return the output of this layer
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b,)
    return outputs

# 计算精确度的方法
def compute_accuracy(v_xs, v_ys):
    global prediction
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result


# 定义输入占位符 define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None, 784]) # 28x28
ys = tf.placeholder(tf.float32, [None, 10])

# 神经网络结构，一层
prediction = add_layer(xs, 784, 10,  activation_function=tf.nn.softmax)

# loss函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))       # loss
# 训练方法，sgd
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# session
sess = tf.Session()

# 激活变量
init = tf.global_variables_initializer()
sess.run(init)

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels))

原文链接：https://lookme.blog.csdn.net/article/details/77717086

本站声明:网站内容来源于网络,如有侵权,请联系我们,我们将及时处理。