【深度学习-1】tensorflow实现最简单的MNIST图像分类

最新推荐文章于 2024-10-07 22:31:47 发布

原创最新推荐文章于 2024-10-07 22:31:47 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

Python 同时被 3 个专栏收录

52 篇文章

订阅专栏

Deep Learning

27 篇文章

订阅专栏

tensorflow

9 篇文章

订阅专栏

本文介绍了一个简单的TensorFlow实现，使用Softmax回归对MNIST手写数字数据集进行分类。该模型仅包含输入层和输出层，通过梯度下降法优化交叉熵损失函数来训练模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

包含输入层，网络结构只有两层，如下图：

tensorflow 代码如下：

# encoding: utf-8

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)

import tensorflow as tf

sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 784])  # 1，输入数据: feature
W = tf.Variable(tf.zeros([784, 10]))  # 2，两个参数w,b
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x, W)+b)  # 3，网络结构，预测值y = w*x + b，得到的是10维向量

y_ = tf.placeholder(tf.float32, [None, 10])  # 输入数据: label
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))  # 4，损失函数: J = - y_ * log y

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  # 5，优化函数: 梯度下降

tf.global_variables_initializer().run()

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    train_step.run({x: batch_xs, y_: batch_ys})  # 训练

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))  # 预测值10向量，与label比较，看是否相等

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))