搭建全连接神经网络识别mnist数据集（上）

mnist手写数据集

什么是mnist数据集：

包含7万张黑底白字手写数字图片，其中55000张为训练集，5000张为验证集(validation)，10000张为测试机。每张图片大小为28 $\times$ 28像素，图片中纯黑色像素值为0，纯白色像素值为1。数据集的标签是长度为10的一维数组，数组中每个元素索引号对应数字出现的概率。
例如：一张28*28像素的图片变为长度为784的一维数组[0. 0. 0. 0.231 0.234 0.974 … 0. 0. 0.]输入神经网络。该图片的标签为[0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]，标签中索引号为6的元素为1，表示该图片6出现的概率是100%。则该图片对应的识别结果是6。

加载mnist数据集：

使用input_data模块中的read_data_sets()函数加载mnist数据集。

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

read_data_sets()函数有两个参数，第一个参数表示数据集存放的路径，第二个参数表示数据集的存取形式。当第二个参数为True时，表示已独热码的形式存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据集，若指定路径中没有数据集，则自动下载，并分为训练集(train)、验证集(validation)、测试集(test)。

查看mnist样本数：

• 返回训练集train样本数：

print("train data size:", mnist.train.num_examples)

输出结果：train data size: 55000

• 返回验证集validation样本数：

print("validation data size:", mnist.validation.num_examples)

输出结果： validation data size: 5000

• 返回测试集test样本数

print("test data size:", mnist.test.num_examples)

输出结果：test data size: 10000

查看mnist数据集

• 使用train.labels函数返回mnist数据标签集
  例如：想要查看第0张图片的标签，则使用如下函数mnist.train.labels[0]，输出array([0,0,0…1,0,…0])
• 使用train.images函数返回mnist数据集图片像素值
  例如：在mnist数据集中，若想要查看训练集中第0张图片的像素值，则使用如下函数mnist.train.image[0]。

使用mnist.train.next_batch()函数将数据输入到神经网络

BATCH_SIZE=200
xs,ys=mnist.train.next_batch(BATCH_SIZE)
print("xs shape:",xs.shape)
print("ys shape:",ys.shape)

输出结果：

xs shape(200,784)
ys shape(200,10)

mnist.train.next_batch(BATCH_SIZE)函数表示随机从训练集中抽取BATCH_SIZE个样本输入到神经网络中，并将训练样本的像素值和标签分别赋给xs和ys。

常用函数

• tf.get_collection("")表示从collection集合中抽出全部变量生成一个列表
• tf.add()函数表示将参数列表中对应元素相加
  例如：

x=tf.constant([1,2],[1,2])
y=tf.constant([1,1],[1,1])
z=tf.add(x,y)

• tf.cast(x,dtype)函数表示将参数x转换为指定数据类型
  例如：

A=tf.convert_to_tensor(np.array([[1,2,3,4],[5,6,7,8]]))
print(A.dtype)
b=tf.cast(A,tf.float32)
print(B.dtype)

输出结果：

<dtype:'int64'>
<dtype:'float32>

• tf.equal()函数表示对比两个矩阵或者向量。若对应元素相等，则在对应位置返回True；否则在对应位置返回False。
  例如：

A=[[1,3,4,5,6]]
B=[[1,3,4,3,2]]
with tf.Session() as sess:
	print(sess.run(tf.equal(A,B))

输出结果：

[[True Ture True False False]]

• tf.reduce_mean(x,axis)函数表示求取矩阵或张量在指定维度的平均值。若不指定第二个参数，则在所有元素中取平均值；若指定第二个参数为0，则在第一维元素上求平均值，即求每一列的平均值；若指定第二个参数为1，则在第二维元素上求平均值，即求每一行的平均值。
• tf.argmax(x,axis)函数返回指定维度axis下，参数x中最大值索引号。例如：
  在tf.argmax([1,0,0],0)中，返回0
• os.path.join()函数表示把参数字符串按照路径命名规则连接。
  例如：
  import os
  os.path.join(’/hello/’,‘good/boy’,‘doiido’)
  输出结果：’/hello/good/boy/doiido’
• 字符串.split()函数表示按照指定“拆分符”对字符串进行拆分，返回拆分列表。
  例如：
  ‘./model/mnist_model-1001’.split(’/’)[-1].split(’-’)[-1]将返回字符串’1001’
• tf.Graph().as_default()函数表示将当前设置成为默认图，并返回一个上下文管理器。该函数一般与with关键字搭配使用，应用于将已经定义好的神经网络在计算图浮现。
  例如：with tf.Graph().as_default() as g，表示将在Graph()内定义的节点加入到计算图g中。

总结

本章介绍了mnist数据集的内容和使用方法，以及搭建识别mnist数据集的神经网络中常用的tensorflow工具函数。这些工具不仅对该场景有用，也是许多深度学习应用的基石。下一章将介绍具体的全连接神经网络搭建流程以及代码。

---

中国大学mooc《人工智能实践：Tensorflow笔记》