（四）使用TensorFlow完成mnist数据集手写数字识别

港控/mmm° 2022-02-13 09:22 399阅读 0赞

**目录**

1、导包

2、下载并加载数据集

3、可以先来看看数据集中的手写数字到底是什么样的

4、定义模型

5、定义测试准确率tensor及其他数据

6、开启session，迭代训练并验证准确率

7、运行查看结果

8、完整代码

--------------------

手写数字识别在tensorflow中的地位就像学习python、java过程中的Hello,World一样，本文默认你已经了解了mnist数据集相关的内容。代码里的注释都很详细了，可以直接一步一步的看代码和注释，文末有完整代码

### 1、导包 ###

# -*- coding: UTF-8 -*-
    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    import numpy as np
    import matplotlib.pyplot as plt

### 2、下载并加载数据集 ###

# 自动下载mnist数据集，并转化为one_hot编码
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

### 3、可以先来看看数据集中的手写数字到底是什么样的 ###

# 查看数据中的label和image
    print(mnist.train.images.shape)
    print(mnist.train.labels.shape)
    print(mnist.test.images.shape)
    print(mnist.test.images.shape)
    print(np.argmax(mnist.train.labels[1]))
    plt.imshow(mnist.train.images[1].reshape(28,28))
    plt.show()
    
    输出：
    (55000, 784)
    (55000, 10)
    (10000, 784)
    (10000, 784)
    3

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hscDQyMDc_size_16_color_FFFFFF_t_70][]

### 4、定义模型 ###

# 定义placeholder
    X = tf.placeholder(dtype=tf.float32, shape=[None, 784])
    Y = tf.placeholder(dtype=tf.float32, shape=[None, 10])
    # 定义模型变量
    W = tf.Variable(tf.truncated_normal([784, 10]), dtype=tf.float32)
    b = tf.Variable(tf.constant(0.1, shape=([10])))
    # 定义前向传播
    output = tf.matmul(X, W) + b
    # 将激活函数作用于预测值，使用softmax激活函数的原因是因为我们要进行多分类
    prediction = tf.nn.softmax(output)
    # 反向传播结构
    cost = tf.reduce_mean(-tf.reduce_sum(Y * tf.log(prediction), reduction_indices=1))
    train = tf.train.GradientDescentOptimizer(1e-2).minimize(cost)

### 5、定义测试准确率tensor及其他数据 ###

# 将模型训练好了之后，我们要用测试集的数据进行测试
    # 将预测值和测试集的labels进行比较，看看是否相等，使用tf.math.argmax()取出最大值，
    # axis=1是因为prediction的shape为[None,10]，我们取的是第二个维度里的最大值，故axis取1
    accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.math.argmax(prediction, axis=1), tf.math.argmax(Y, axis=1)), tf.float32))
    init = tf.global_variables_initializer()
    saver = tf.train.Saver(max_to_keep=1)
    training_epochs = 100
    batch_size = 100
    batch_num = int(mnist.train.num_examples / batch_size)
    print("每次迭代共将数据划分为{}批，每批数据为100份".format(batch_num))

### 6、开启session，迭代训练并验证准确率 ###

with tf.Session() as sess:
        sess.run(init)
        for epoch in range(training_epochs):
            loss = 0.
            # 在单次迭代训练中，每次取batch_size大小的数据，共取的次数就是batch_num
            for _ in range(batch_num):
                x, y = mnist.train.next_batch(batch_size)
                _, _cost = sess.run([train, cost], feed_dict={X: x, Y: y})
                loss += _cost
            print("epoch:", epoch, "loss:", loss / batch_num)
        print("train finished! waiting for saving model")
        saver.save(sess, "model/mnist_1.ckpt")
        print("model has been saved")
        print("start test and verify")
        _acc = sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels})
        print("the accuracy is :", _acc)

### 7、运行查看结果 ###

训练一百次后在测试集上的准确率达到了接近90%

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hscDQyMDc_size_16_color_FFFFFF_t_70 1][]

### 8、完整代码 ###

# -*- coding: UTF-8 -*-
    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    import numpy as np
    import matplotlib.pyplot as plt
    
    """
    训练样本：共55000个
    验证样本：共5000个 
    测试样本：共10000个
    图片大小为28x28
    """
    # 自动下载mnist数据集，并转化为one_hot编码
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
    # 查看数据中的label和image
    print(mnist.train.images.shape)
    print(mnist.train.labels.shape)
    print(mnist.test.images.shape)
    print(mnist.test.images.shape)
    print(np.argmax(mnist.train.labels[1]))
    plt.imshow(mnist.train.images[1].reshape(28,28))
    plt.show()
    
    # 定义placeholder
    X = tf.placeholder(dtype=tf.float32, shape=[None, 784])
    Y = tf.placeholder(dtype=tf.float32, shape=[None, 10])
    # 定义模型变量
    W = tf.Variable(tf.truncated_normal([784, 10]), dtype=tf.float32)
    b = tf.Variable(tf.constant(0.1, shape=([10])))
    # 定义前向传播
    output = tf.matmul(X, W) + b
    # 将激活函数作用于预测值，使用softmax激活函数的原因是因为我们要进行多分类
    prediction = tf.nn.softmax(output)
    # 反向传播结构
    cost = tf.reduce_mean(-tf.reduce_sum(Y * tf.log(prediction), reduction_indices=1))
    train = tf.train.GradientDescentOptimizer(1e-2).minimize(cost)
    # 定义测试准确率tensor
    # 将模型训练好了之后，我们要用测试集的数据进行测试
    # 将预测值和测试集的labels进行比较，看看是否相等，使用tf.math.argmax()取出最大值，
    # axis=1是因为prediction的shape为[None,10]，我们取的是第二个维度里的最大值，故axis取1
    accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.math.argmax(prediction, axis=1), tf.math.argmax(Y, axis=1)), tf.float32))
    init = tf.global_variables_initializer()
    saver = tf.train.Saver(max_to_keep=1)
    training_epochs = 100
    batch_size = 100
    batch_num = int(mnist.train.num_examples / batch_size)
    print("每次迭代共将数据划分为{}批，每批数据为100份".format(batch_num))
    with tf.Session() as sess:
        sess.run(init)
        for epoch in range(training_epochs):
            loss = 0.
            # 在单次迭代训练中，每次取batch_size大小的数据，共取的次数就是batch_num
            for _ in range(batch_num):
                x, y = mnist.train.next_batch(batch_size)
                _, _cost = sess.run([train, cost], feed_dict={X: x, Y: y})
                loss += _cost
            print("epoch:", epoch, "loss:", loss / batch_num)
        print("train finished! waiting for saving model")
        saver.save(sess, "model/mnist_1.ckpt")
        print("model has been saved")
        print("start test and verify")
        _acc = sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels})
        print("the accuracy is :", _acc)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hscDQyMDc_size_16_color_FFFFFF_t_70]: /images/20220213/27c4f0aa7c8e4669bc9c5a5730a1d9af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hscDQyMDc_size_16_color_FFFFFF_t_70 1]: /images/20220213/5de03e00c3694ae5897df32ea2ac4815.png