使用TensorFlow训练模型,大概分为以下几个步骤:
- 下载数据集,导入mnist数据集
- 定义变量并初始化,声明用到的占位符
- 建立模型
- 训练模型,首先需要定义一个指标来评估这个模型的好坏。在本教程中使用交叉熵来表征模型的性能好坏。
- 使用一些优化算法(如梯度下降法)来最小化目标函数(交叉熵)
- 评估模型,判断预测值和真实值之间的差值。得到预测的准确率
具体的注释在程序中都能看到
程序如下:
import tensorflow as tf
# 导入mnist数据集
import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# x不是一个特定的值,而是一个占位符,在TensorFlow运行计算时输入这个值,在sess.run()中更新此值
x = tf.placeholder("float", [None, 784])
# W和b是变量,并初始化为0,
# 因为我们要学习W和b的值,它们的初始值可以随意设置
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# 建立模型,利用softmax函数生成模型
y = tf.nn.softmax(tf.matmul(x, W) + b)
# 训练模型
# 我们首先需要定义一个指标来评估这个模型是好的,在这里使用交叉熵cross_entropy
# 为了计算交叉熵,我们首先定义一个新的占位符y_用于输入正确值
y_ = tf.placeholder("float", [None, 10]) # 同变量x,
cross_entropy = -tf.reduce_mean(y_*tf.log(y))
# 使用梯度下降算法以0.01的学习速率最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 初始化我们创建的所有变量
init = tf.initialize_all_variables()
# 在一个Session中启动我们的模型
# 让模型循环训练1000次
# 该循环的每个步骤中,我们都会随机抓取训练数据中的100个批处理数据点
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# 评估模型
# tf.argmax能给出某个tensor对象在某一维上的其数据最大值所在的索引值
# 用tf.equal来检测我们的预测是否和真实标签匹配
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))