深度学习Tensorflow 之 MNIST手写数字识别

小咪咪 2022-01-20 15:51 641阅读 0赞

MNIST数据集介绍和下载：[http://yann.lecun.com/exdb/mnist/][http_yann.lecun.com_exdb_mnist]

一、数据集介绍：

MNIST是一个入门级的计算机视觉数据集

下载下来的数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）

二、TensorFlow实现MNIST手写数字识别

（1）构建一个只有输入层和输出层的简单神经网络模型，使用二次代价函数和梯度下降算法进行优化；代码如下：

#TensorFlow实现MNIST手写数字识别-简单版本
    import tensorflow as tf
    #Tensorflow提供了一个类来处理MNIST数据
    from tensorflow.examples.tutorials.mnist import input_data
      
    #载入数据集
    mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
      
    #设置每个批次的大小
    batch_size=100
    #计算一共有多少个批次
    n_batch=mnist.train.num_examples//batch_size
      
    #定义两个placeholder
    x=tf.placeholder(tf.float32,[None,784])
    y=tf.placeholder(tf.float32,[None,10])
      
    #创建一个简单的神经网络（只有输入层和输出层）
    Weights=tf.Variable(tf.zeros([784,10]))
    biases=tf.Variable(tf.zeros([10]))
    prediction=tf.nn.softmax(tf.matmul(x,Weights)+biases)
      
    #定义代价函数（均方差函数）
    loss=tf.reduce_mean(tf.square(y-prediction))
    #定义反向传播算法（使用梯度下降算法）
    train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
      
    #结果存放在一个布尔型列表中(argmax函数返回一维张量中最大的值所在的位置)
    correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
      
    #求准确率(tf.cast将布尔值转换为float型)
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
      
    #创建会话
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer()) #初始化变量
        #训练次数
        for i in range(21):
            for batch in range(n_batch):
                batch_xs,batch_ys=mnist.train.next_batch(batch_size)
                sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
      
            acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
            print("Iter"+str(i)+",Testing Accuracy"+str(acc))

结果为：

![1429709-20180629204009130-945389696.png][]

（2）模型同上，使用交叉熵函数和梯度下降算法进行优化，

把上面代码的代价函数改为下面的交叉熵代价函数：

loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

结果为：

![1429709-20180629204126470-950787734.png][]

（3）构建一个多层的神经网络模型，使用交叉熵函数和梯度下降算法进行优化，添加Dropout防止过拟合；

模型结构如下：

![1429709-20180629204204611-1342671438.png][]

代码如下：

import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
      
    #载入数据集
    mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
      
    #设置每个批次的大小
    batch_size=100
    #计算一共有多少个批次
    n_batch=mnist.train.num_examples//batch_size
      
    #定义三个placeholder
    x=tf.placeholder(tf.float32,[None,784])
    y=tf.placeholder(tf.float32,[None,10])
    keep_prob=tf.placeholder(tf.float32)  #存放百分率
      
    #创建一个多层神经网络模型
    #第一个隐藏层
    W1=tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))
    b1=tf.Variable(tf.zeros([2000])+0.1)
    L1=tf.nn.tanh(tf.matmul(x,W1)+b1)
    L1_drop=tf.nn.dropout(L1,keep_prob) #keep_prob设置工作状态神经元的百分率
    #第二个隐藏层
    W2=tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1))
    b2=tf.Variable(tf.zeros([2000])+0.1)
    L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)
    L2_drop=tf.nn.dropout(L2,keep_prob)
    #第三个隐藏层
    W3=tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1))
    b3=tf.Variable(tf.zeros([1000])+0.1)
    L3=tf.nn.tanh(tf.matmul(L2_drop,W3)+b3)
    L3_drop=tf.nn.dropout(L3,keep_prob)
    #输出层
    W4=tf.Variable(tf.truncated_normal([1000,10],stddev=0.1))
    b4=tf.Variable(tf.zeros([10])+0.1)
    prediction=tf.nn.softmax(tf.matmul(L3_drop,W4)+b4)
      
    #定义交叉熵代价函数
    loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
    #定义反向传播算法（使用梯度下降算法）
    train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
      
    #结果存放在一个布尔型列表中(argmax函数返回一维张量中最大的值所在的位置)
    correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
      
    #求准确率(tf.cast将布尔值转换为float型)
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
      
    #创建会话
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer()) #初始化变量
        #训练次数
        for i in range(21):
            for batch in range(n_batch):
                batch_xs,batch_ys=mnist.train.next_batch(batch_size)
                sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})
            #测试数据计算出的准确率
            test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
            print("Iter"+str(i)+",Testing Accuracy"+str(test_acc))

结果为：

![1429709-20180629204309318-1726688130.png][]

[http_yann.lecun.com_exdb_mnist]: http://yann.lecun.com/exdb/mnist/
[1429709-20180629204009130-945389696.png]: /images/20220120/ac0a37029f77462b94a9fce9ccc0666b.png
[1429709-20180629204126470-950787734.png]: /images/20220120/529cd0ed6ed240b19baa4473e4c95079.png
[1429709-20180629204204611-1342671438.png]: /images/20220120/c9ce9d9692074172b2fcf9aed94922fc.png
[1429709-20180629204309318-1726688130.png]: /images/20220120/70e2a59a40dd4fdaa8458605f68f8196.png