基于Tensorflow实现MNIST手写数字识别

一、导入MNIST数据集

1. 导入数据集

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

2. 数据集的内容

   # 查看训练数据的大小
   print(mnist.train.images.shape)  
   print(mnist.train.labels.shape)  
    
   # 查看验证数据的大小
   print(mnist.validation.images.shape)  
   print(mnist.validation.labels.shape)  
    
   # 查看测试数据的大小
   print(mnist.test.images.shape)  
   print(mnist.test.labels.shape)  
   

3. 运行结果
   

   说明：
   MNIST数据集包含四个数据包，当本地没有数据包，Tensorflow会检测到并且会自动下载到MNIST_data文件夹中。建议先自行到MNIST官网上下载到本地的MNIST_data文件夹中，以免tensorflow自行下载速度过慢或者下载失败。MNIST官网链接地址：http://yann.lecun.com/exdb/mnist/

二、构建模型

1. 搭建模型

   #搭建模型
   x=tf.placeholder(tf.float32,[None,784])#mnist data维度28*28=784
   y=tf.placeholder(tf.float32,[None,10])#0-9 数字，10个类别
   

2. 模型参数设置

   #设置模型参数
   W=tf.Variable(tf.random_normal([784,10]))
   B=tf.Variable(tf.zeros([10]))
   #正向传播，得到预测结果
   pred=tf.nn.softmax(tf.matmul(x,W)+B)#Softmax分类
   #反向传播，将生成的pred与标签进行一次交叉运算最小化cost
   cost=tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))
   #学习率设置
   learning_rate=0.01
   #使用梯度下降优化器,使得cost最小化
   optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(cost)
   #迭代次数设置
   training_epochs=25
   #每次迭代训练数据的大小
   batch_size=100
   #显示一次cost的结果
   display_step=1
   #保存训练的模型
   saver=tf.train.Saver()
   model_path="log/521model.ckpt"
   

三、训练模型

1. 训练代码

   with tf.Session() as sess:
       sess.run(tf.global_variables_initializer())
       #启动session，迭代训练模型
       for epoch in range(training_epochs):
           avg_cost=0.
           total_batch=int(mnist.train.num_examples/batch_size)#每一轮训练多少批次
           #遍历全部数据集
           for i in range(total_batch):
               batch_xs,batch_ys=mnist.train.next_batch(batch_size)
               #运行梯度优化器
               _,c=sess.run([optimizer,cost],feed_dict={x:batch_xs,
                                                        y:batch_ys})
               #计算平均值以使得误差值更加平均
               avg_cost+=c/total_batch
               #显示每次迭代训练的详细信息
           if (epoch+1)%display_step==0:
               print("Epoch:","%04d"%(epoch+1),"cost=","{:.9f}".format(avg_cost))
       print("Finish!")
   

2. 训练过程的中间状态参数变化
   

四、测试模型

1. 模型测试

   	#模型测试
       correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))#argmax将矩阵中每一行最大值所在列取出来
   

2. 准确率获取

   	#计算准确率
       accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
       print("Accuracy:",accuracy.eval({x: mnist.test.images,y: mnist.test.labels}))
   

3. 模型保存

       #存储模型
       save_path=saver.save(sess,model_path)
       print("Model saved in files：%s" % save_path)
   

4. 运行结果
   

五、读取模型

1. 读取模型

   import pylab
   #读取模型
   with tf.Session() as sess2:
       #初始化所有变量
       sess2.run(tf.global_variables_initializer())
       #恢复模型并读取所有变量参数进入sess2
       saver.restore(sess2,model_path)
   

2. 测试model

   	#测试model
       correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
       #计算准确率
       accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
       print("Accuracy:",accuracy.eval({x: mnist.test.images,y: mnist.test.labels}))
   

3. 实际识别

   	output=tf.argmax(pred,1)
       batch_xs, batch_ys = mnist.train.next_batch(2) # 返回两个手写数字图片
       outputval,predv=sess2.run([output,pred],feed_dict={x:batch_xs})
       print(outputval,predv,batch_ys)
       im=batch_xs[0]
       im=im.reshape(-1,28)
       pylab.imshow(im)
       pylab.show()
       im=batch_xs[1]
       im=im.reshape(-1,28)
       pylab.imshow(im)
       pylab.show()
   

4. 结果
   
   参考资料
   https://edu.youkuaiyun.com/learn/26036