TensorFlow_02

图片验证码识别

MNIST数据集的官网及资源

• MNIST DATABASE
• training set images (9912422 bytes)
• training set labels (28881 bytes)
• test set images (1648877 bytes)
• test set labels (4542 bytes)
  

  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）
  

  

Softmax函数

• 我们知道MNIST的结果是0-9，我们的模型可能推测一张图片的数字9的概率是80%，是数字9的概率是10%，然后其他数字概率更小，总体概率加起来等于1.这是一个使用Softmax回归模型的经典案例。softamx模型可以用来给不同的对象分配概率。
  

非线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 使用numpy生成200个随机点（转换成二维U形）
x_data = np.linspace(-0.5, 0.5, 500)[:, np.newaxis]
noise = np.random.normal(0, 0.02, x_data.shape)
y_data = np.square(x_data) + noise

# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])

# 定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1
# 激活函数
L1 = tf.nn.tanh(Wx_plus_b_L1)

# 定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10, 1]))
biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + biases_L2
# 激活函数
prediction = tf.nn.tanh(Wx_plus_b_L2)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)


with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):

        sess.run(train_step, feed_dict={x: x_data, y: y_data})

    # 获得预测值
    prediction_value = sess.run(prediction, feed_dict={x: x_data})
    # 画图
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction_value, 'r-', lw = 5)
    plt.show()

"""
API记录
tf.nn.tanh(Wx_plus_b_L2)  # 双曲激活函数
"""

验证码数据训练

• 数据 项目目录下新建MNIST_data文件，把MNIST数据集的官网的资源放入其中

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)

# 每个批次大小
batch_size = 100  # 可调试
# 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（可优化增加隐藏网络）
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# 激活函数 计算概论
prediction = tf.nn.softmax(tf.matmul(x, W) + b)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法(可优化)
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 结果存放在一个布尔类型列表中
# arg_max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
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):  # 所有图片训练次数（可优化更多次数）
        for batch in range(n_batch):  # 所有图片训练一次
            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(epoch) + ",Testing Accuracy " + str(acc))


"""
API记录
tf.nn.softmax(tf.matmul(x, W) + b)  # 激励函数（归一化指数函数）
tf.argmax(y, 1)  # 获取标签内最大值的位置
tf.equal(int, int)  # 比较大小
tf.cast(correct_prediction, tf.float32)  # 类型转换（布尔值转32位浮点）
mnist.train.next_batch(batch_size)  # 每运行一次调到下一个size
"""