TensorFlow学习笔记之四（MNIST数字识别)

文章目录

• • • 1. 关于MNIST数据集
    • 2. 前向传播确定网络结构
    • • 2.1 涉及的方法

1. 关于MNIST数据集

数据集和input_data文件

• 有6万张28*28像素点的0~9手写数字图片和标签，用于测试。
• 有1万张28*28像素点的0~9手写数字图片和标签，用于测试。

每张图片有784个像素点（28*28=784）组成一个长度为784的一维数组，用做个输入特征
$${\begin{array}{c}\left[\begin{array}{ccccccccccccccccccc}0& 0& 0& 0& 1& 0& 0& 1& 1& 0& 1& 0& ...& 0& 1& 1& 0& 1& 0\end{array}\right]\end{array}}_{728\ast 1}$$
图片的标签以一维数组形式给出，每个元素表示对应分类出现的概率。比如下面的标签表示数字4
$$\begin{array}{c}\left[\begin{array}{cccccccccc}0& 0& 0& 0& 1& 0& 0& 0& 0& 0\end{array}\right]\end{array}$$

#手写识别字mnist import input_data# 使用官方提供的input_data模块的read_data_sets自动加载数据集，"Mnist_data/"是数据集存放的路径，当前目录的Mnist_data目录下面。并以独热码的方式存取。 # read_data_sets会自动检查本地是否有数据集，如果没有，会自动下载train， mnist = input_data.read_data_sets("Mnist_data/",one_hot = True)print("训练集大小为: ", mnist.train.num_examples)print("验证集大小为：", mnist.validation.num_examples)print("测试样本大小为：", mnist.test.num_examples)print("训练集中指定的图片类型为：", mnist.train.images[0].shape)print("训练集中指定的标签类型为：", mnist.train.labels[0].shape)print("查看训练集中指定的标签：") print(mnist.train.labels[0], '\n')print("查看训练集中指定的图片：") print(mnist.train.images[0])

2. 前向传播确定网络结构

""" 前向传播确定网络结构 """ """ 前向传播确定网络结构 """import tensorflow as tfINPUT_NODE = 784 # 输入节点 784（一张图片28*28，共有784个像素点）个 OUTPUT_NODE = 10 # 输出10数，这个等于要预测类别的数目。在这里表示的是该图片为0~9之间的概率LAYER1_NODE = 500 # 隐藏层节点个数def get_weight(shape, regularizer):"""初始化权重"""# 随机生成参数ww = tf.Variable(tf.truncated_normal(shape, stddev=0.1))if regularizer != None:"""如果使用正则化"""# 将每个变量的损失加入到总损失lossestf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w))return wdef get_bias(shape):"""初始化偏置值"""b = tf.Variable(tf.zeros(shape))return bdef forward(x, regularizer):"""该网络的结构有两层，一个隐藏层和一个输出层"""# x为1*784的矩阵，w1是一个784*500的矩阵，b1是一个1*500的矩阵w1 = get_weight([INPUT_NODE, LAYER1_NODE], regularizer)b1 = get_bias([LAYER1_NODE])y1 = tf.nn.relu(tf.matmul(x, w1) + b1) # 最终结果，y1是一个1*500的矩阵# y1为1*500的矩阵，w2为500*10的矩阵，b2为1*10的矩阵w2 = get_weight([LAYER1_NODE, OUTPUT_NODE], regularizer)b2 = get_bias([OUTPUT_NODE])y = tf.matmul(y1, w2) + b2 # 最终输出，y为一个1*10的矩阵return y

整个网络大概是这个样子的

其中，输入X为一个1784的矩阵(为了方便自己记忆，就不说向量了)。w1是一个784500的矩阵，b1是一个1500的矩阵。第一层的输入为y1是一个1500的矩阵。

第二层的输入即第一层的输出，为y1(一个1500的矩阵)。w2为50010的矩阵，b2为110的矩阵。输出y为一个110的矩阵

2.1 涉及的方法

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None):输出一个shape的张量，里面的参数服从正态分布，均值为mean，标准差为stddev，数据类型为dtype，随机种子为seed。

未完待续。。。

总结

以上是生活随笔为你收集整理的TensorFlow学习笔记之四（MNIST数字识别)的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。