【tensorflow入门】12、分类学习classification--使用MNIST数据集

 

完整代码在下方。

一、介绍：

分类入门，使用全连接神经网络，仅有输入层和输出层，准确率暂时仅86%左右。

后续文章会推出更高准确率的方法：

包括但不限于 全连接方法的优化、使用卷积神经网络等。

二、思路：

之前的代码都是解决回归问题的，从本文开始研究分类问题。回归是得到一个具体的数，分类是得到多个概率。

导入MNIST数据，输入的数据为28*28像素的小图片，输出为0-9这10个数。使用全连接神经网络且仅有输入、输出层。对输入层的x_data训练参数Weights和biases，得到预测的y值，选取预测的y值中最大概率的值（计算机分析出的预测值）和y_data的真实值作比较（y_data已人工标注真实值），统计预测对了的概率并输出。

三、踩雷：

1、MNIST数据集下载报错

解决：自行从网上下载MNIST对应的四个jar包。这里提供我自己的网盘资源：

链接：https://pan.baidu.com/s/16TzvwKEiqtwYdAOmZ6BqQQ 
提取码：j1wi 

 

2、程序成功率没有任何提升，大约10%成功率

解决: 本来0-9共10个数瞎蒙就是10%概率，说明loss自身或者loss的训练有问题。本人是这里掉了符号：

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

 

四、入门代码含注释：

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

#number 1 to 10 data  #如果电脑上没有MNIST数据包，会帮你下载下来。
#下次再使用时就直