基于softmax回归的MNIST分类

最新推荐文章于 2019-12-06 14:11:19 发布

Long仁

最新推荐文章于 2019-12-06 14:11:19 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： TensorFlow 神经网络文章标签： MNIST softmax回归

本文链接：https://blog.youkuaiyun.com/panrenlong/article/details/81748171

TensorFlow 同时被 2 个专栏收录

7 篇文章

订阅专栏

神经网络

5 篇文章

订阅专栏

本文介绍了使用TensorFlow构建的softmax回归网络模型，用于识别MNIST数据集中的手写数字。通过一个包含输入层和输出层的两层神经网络，模型能够实现对手写数字的有效分类。文中详细展示了模型的训练过程及准确率的评估方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

MNIST是在机器学习领域中的一个经典问题。为了学习机器学习和TensorFlow库的使用，使用TF构造一个softmax回归网络模型去识别手写数字。以下内容请参考TensorFlow中文社区（http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html）
1）MNIST介绍
2）softmax回归介绍
3）回归模型的训练和评估

具体代码如下：

"""
分类对象：MNIST手写数字识别
分类方法：使用一个2层NN，即一个非线性变换来识别
         input ------------>output
         784d    softmax   10d
"""
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

# loading mnist data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)


def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:  # 如何激活函数为空，则是线性函数
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(vxs,vys):
    global prediction
    y_pre = sess.run(prediction,feed_dict={xs:vxs})
    err = tf.equal(tf.argmax(y_pre,1),tf.argmax(vys,1))
    acc = tf.reduce_mean(tf.cast(err,tf.float32))
    result = sess.run(acc,feed_dict={xs:vxs,ys:vys})
    return result

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32,[None,784]) #28*28
ys = tf.placeholder(tf.float32,[None,10])

# add output layer
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)

# the error between prediction and real data
loss = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),
                                     reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#important step
sess = tf.Session()
sess.run(tf.global_variables_initializer())   #tf.initialize_all_variables在2017-03-02之后删除,改为global_variables_initializer

plt.figure()
plt.axes([0,10000,0,1])
plt.ion()
batch_size = 100
for i in range(10000):
    batch_xs,batch_ys = mnist.train.next_batch(batch_size)
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i%50==0:
        acc =compute_accuracy(mnist.test.images,
                              mnist.test.labels)
        print(acc)
        plt.plot(i,acc,'b.-')
        plt.pause(0.00000001)
plt.ioff()
plt.show()