tf学习（三）—— MNIST手写识别 上

最新推荐文章于 2024-05-21 14:45:00 发布
最新推荐文章于 2024-05-21 14:45:00 发布
阅读量638 收藏 1
点赞数
分类专栏： tensorflow
博客介绍了在使用TensorFlow进行MNIST手写数字识别时遇到的NameError问题，原因是未正确导入input_data别名。解决方案是导入tensorflow.examples.tutorials.mnist.input_data并命名为input_data。随后，文章详细展示了MNIST数据集的存储结构，包括训练和测试数据的图像和标签的形状，并解释了训练图像的像素值特点。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

MNIST-NameError: name ‘input_data’ is not defined解决办法

其实这是由于导入工具库后没有使用正确别名的原因，只要加入as input_data即可。
应改成如下代码：
import tensorflow.examples.tutorials.mnist.input_data as input_data

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


了解MNIST存储情况

分为训练数据与测试数据

train_images=mnist.train.images
train_labels = mnist.train.labels
test_images = mnist.test.images

test_labels = mnist.test.labels

print("train_images_shape:", train_images.shape)
print("train_labels_shape:", train_labels.shape)
print("test_images_shape:", test_images.shape)

print("test_labels_shape:", test_labels.shape)

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

mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)

结果

train_images_shape: (55000, 784)
train_labels_shape: (55000, 10)
test_images_shape: (10000, 784)
test_labels_shape: (10000, 10)


<

机器学习之实战篇——MNIST手写数字0~9识别（全连接神经网络模型）
2301_79376014的博客
09-06 4592
MNIST数据集是机器学习和计算机视觉领域中最知名和广泛使用的数据集之一。它是一个大型手写数字数据库，包含 70,000 张手写数字图像，60,000 张训练图像，10,000 张测试图像。每张图像是 28x28 像素的灰度图像素值范围从 0（白色）到 255（黑色），每张图像对应一个 0 到 9 的数字标签。在实验开始前，为了熟悉这个伟大的数据集，读者可以先做一下下面的小实验,测验你的手写数字识别能力。# 加载MNIST数据集# 随机选择100个样本# 显示图像plt.show()
tf学习（三）—— MNIST手写识别 下 MNIST手写数据集训练实例
qiurisiyu的博客
05-19 580
Code# -*- coding:utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 载入数据 mnist = input_data.read_data_sets("MNIST-data", one_hot=True) # 每个批次的大小 batch_siz...
[TF进阶] MNIST手写体识别完整代码&单个神经网络
gdtop的个人笔记
04-24 3089
实例21：识别图中模糊的手写数字 1. 下载数据集 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) print('输入数据：',mnist.train.images) print('输入数据打印...
TF中的单神经网络——利用感知器解决mnist识别
weixin_41707744的博客
03-09 306
Mnist数据集介绍以及载入 mnist手写数据集，共55000个训练样本，5000个验证样本以及10000个测试样本 import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_data import matplotlib.pyplot as plt import nump...
tf-Mnist手写字体识别
imcy的博客
05-24 935
1.softmax实现# -*- coding: utf-8 -*- """ tensorflow mnist@author: Administrator """ from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist=input_data.read_data_sets("MNI
tf-1. Minist示例讲解：
qq_39239990的博客
01-20 318
源：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html数据集：http://www.tensorfly.cn/tfdoc/tutorials/mnist_download.html 代码： #主要步骤 1.输入X,定义W,B；2.定义函数Y = X*W+B3.将Y与正确答案Y_对比，使用训练不断调整w,b，将y与Y_差距不断减小...
TensorFlow实战（三）CNN
zhouguangfei0717的博客
12-18 260
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) sess = tf.InteractiveSession() def weight_variable(s
深度学习——实现mnist手写数字识别
qq_45786199的博客
06-23 376
输出层（Output Layer）：输出层是神经网络的最后一层，用于生成最终的预测结果。卷积层（Convolutional Layer）：卷积层是深度学习中常用的层之一，用于检测和提取输入数据的特征。它的每个神经元都与前一层中的所有神经元相连接，通过学习权重来建立输入数据和输出预测之间的关系。池化层（Pooling Layer）：池化层用于减少数据的空间尺寸，从而降低后续层的计算复杂性。输入层（Input Layer）：输入层是网络的起点，用于接收原始数据（例如图像、文本等）并将其传递给下一层进行处理。
深度学习——使用TensorFlow实现MNIST手写数字识别
一个做过前端开发的产品经理，经历过睿智产品的折磨导致脱发之后，励志要翻身"农奴"把歌唱，一边打入敌人内部一边持续提升自己，为我们广大开发同胞谋福祉，坚决抵制睿智产品折磨我们码农兄弟！
05-21 1638
深度学习的旅程既充满挑战也极具魅力，从理论到实践的每一步都是对未知的探索。本文仅是入门指南，真正的学习在于不断实践与创新。你是否在深度学习项目中遇到过特别有趣或棘手的问题？你认为哪些资源或技巧对初学者尤其有帮助？欢迎在评论区分享你的故事和见解，让我们共同推动AI技术的进步。欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。DTcode7的博客首页。
TF-day1 MINIST识别数字
panxiaoxie的博客
07-23 610
当我们开始学习编程的时候，第一件事往往是学习打印”Hello World”。就好比编程入门有Hello World，机器学习入门有MNIST主要步骤 - 获取数据 - 建立模型 - 定义 tensor，variable：X，W，b - 定义损失函数，优化器：cross－entropy，gradient descent - 训练模型：loop，batch - 评价：准确率一.获
TensorFlow官方文档里面，MNIST数据集 input_data
01-11
TensorFlow官方文档里面， MNIST数据集 input_data
tfrecords +tfdata，2种方式训练mnist
年轻即出发，
01-10 3022
 TFRecords是tensorflow存储数据的一种二进制文件，能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件，类似于caffe中的LMDB和LvevelDB，极大的提高了IO吞吐。TFRecords文件包含了tf.train.Example 协议内存块(protocol buffer)(协议内存块包含了字段 Features)。我们可以写一段代码获取你的数据， 将数据填入到Ex...
Tensorflow实战入门：MNIST手写数字识别
阿坨的博客
04-12 2075
说在前头 本文是使用BP神经网络中的softmax回归模型实现MNIST手写数字识别，实际上能实现MNIST手写数字识别的神经网络还有CNN（卷积神经网络），下一篇可能会写。 Tensorflow是个什么东西 Tensorflow是一个采用 数据流图，用于数值计算的开源软件库。节点在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组，即张量（Tensor）。 数据流图用“结点”和“线”...
MNIST导入图片数据集
实践求真知
04-23 1万+
一 MNIST简介MNIST是一个入门级的计算机视觉数据集。当我们开始学习编程时，第一件事往往是学习打印Hello World。在机器学习入门的领域里，我们会用MNIST数据集来实验各种模型。MNIST里包含各种手写数字图片。也包含每张图片对应的标签，告诉我们这个数字几。MNIST数据集合的官网是http://yann.lecun.com/exdb/mnist/二 MNIST编程一般步骤1 导入M...
【深度学习】实战之MNIST
可可卷的博客
12-06 4928
既是实战，也是入门~ MNIST介绍 MNIST是机器学习领域的一个经典数据集，内含60000张训练图像与10000张预测图像，每张图片为28像素*28像素的灰度图像，并被划分到10个类别中(0-9)。 MNIST手写数字识别，正是深度学习里的Hello World。 加载数据集 mnist数据预加载在keras库中，其中包括4个numpy数组 from keras.datasets import mnist (train_images,train_labels),(test_images,test_la
MNIST机器学习方法介绍（1）
zjguilai的博客
05-29 743
1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： python download.py 1.1.2 实验：将MNIST数据集保存为图片 python save_pic.py 1.1.3 图像标签的独热表示 打印MNIST数据集中图片的标签： python label.py 1.2.1 Softmax 回归 python softmax_regression.py 1.2.2...
MNIST数据集使用详解
qq_28840013的博客
07-18 1万+
数据集下载网址：http://yann.lecun.com/exdb/mnist/ 下载后无需解压，将其放在一个文件夹下即可： 数据说明： 数据集常被分为2~3个部分 训练集(train set)：用来学习的一组例子，用来适应分类器的参数[即权重] 验证集(validation set)：一组用于调整分类器参数（即体系结构，而不是权重）的示例，例如选择神经网络中隐藏单元的数量 测试集(test ...
详解 MNIST 数据集
热门推荐
Liu-Cheng Xu
07-17 32万+
MNIST 数据集已经是一个被”嚼烂”了的数据集, 很多教程都会对它”下手”, 几乎成为一个 “典范”. 不过有些人可能对它还不是很了解, 下面来介绍一下.MNIST 数据集可在 http://yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分: Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47
深度学习--卷积神经网络CNN--手写字体MNIST识别
大魔王
04-08 4915
使用CNN来实现MNIST数据集手写字体识别。 MNIST数据集分为训练集以及测试集，其中每张图片都是28*28*1类型的黑白数字图片，每张图片有标签信息是一个10维数组向量，其中某一位为1，其余为0，用来表示该图片数字属于0-9中哪一个。 之前用逻辑回归实现手写字体识别，这里使用CNN来实现手写字体识别，使用tensorflow。 网络设计 CNN网络总体设计如下： 输入图片读取图...
基于联邦学习的MNIST手写数字识别
最新发布
02-23
### 联邦学习实现MNIST手写数字识别 #### 实现概述 为了使用联邦学习进行MNIST手写数字识别，可以采用TensorFlow Federated(TFF)框架。TFF是一个开源库，旨在支持多种类型的模拟分布式训练环境下的机器学习和其他计算需求。 #### 准备工作 安装必要的Python包，包括`tensorflow_federated`和`tensorflow`： ```bash pip install --upgrade tensorflow-federated pip install --upgrade tensorflow ``` #### 加载并预处理数据集 加载MNIST数据集，并对其进行适当调整以便于联邦设置中使用： ```python import tensorflow as tf import tensorflow_federated as tff # Load the dataset mnist_train, mnist_test = tf.keras.datasets.mnist.load_data() def preprocess(dataset): def batch_format_fn(element): """Flatten a batch `element` and return.""" return (tf.reshape(element['x'], [-1, 784]), element['y']) return dataset.repeat(10).shuffle(500).batch(20).map(batch_format_fn) emnist_train = tff.simulation.datasets.emnist.load_data() example_dataset = emnist_train.create_tf_dataset_for_client( emnist_train.client_ids[0]) preprocessed_example_dataset = preprocess(example_dataset) ``` 这段代码定义了一个函数来准备单个客户端的数据子集[^1]。 #### 构建模型 创建一个简单的Keras模型来进行分类任务： ```python def create_keras_model(): return tf.keras.models.Sequential([ tf.keras.layers.InputLayer(input_shape=(784,)), tf.keras.layers.Dense(10, kernel_initializer='zeros'), tf.keras.layers.Softmax(), ]) def model_fn(): keras_model = create_keras_model() return tff.learning.from_keras_model( keras_model, input_spec=preprocessed_example_dataset.element_spec, loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]) ``` 这里构建了一个具有单一隐藏层的全连接神经网络作为基础模型。 #### 定义迭代过程 设定联邦优化的过程参数以及初始化状态： ```python iterative_process = tff.learning.build_federated_averaging_process(model_fn) state = iterative_process.initialize() for round_num in range(1, 11): state, metrics = iterative_process.next(state, federated_train_data) print('round {:2d}, metrics={}'.format(round_num, metrics)) ``` 此部分实现了基于梯度下降法的联邦平均算法，即每次迭代收集来自多个参与方更新后的权重再求均值以形成新的全局模型版本。 #### 测试与评估 最后一步是对测试集中样本执行预测操作从而衡量最终得到的模型效果如何： ```python evaluation = tff.learning.build_federated_evaluation(model_fn) test_metrics = evaluation(state.model, [federated_test_data]) print(test_metrics) ``` 上述流程展示了完整的联邦学习实验周期——从获取原始资料直至完成性能评测为止。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值