基于Mnist数据集的单层神经元识别图像

Mnist识别模糊手写数字

一，导入mnist数据集

简介mnist数据集（内含网盘数据集）：https://blog.youkuaiyun.com/RObot_123/article/details/103220099

手动下载网址（官网）：http://yann.lecun.com/exdb/mnist/

1.利用tensorflow下载mnist数据集

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

上面代码能自动下载mnist数据集到代码目录的“MNIST_data”文件夹下

2.查看数据集里的内容

print ('输入数据打印:',mnist.train.images)
print ('输入数据打印shape:',mnist.train.images.shape)

import pylab 
im = mnist.train.images[1]
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()


print ('输入数据打印shape:',mnist.test.images.shape)
print ('输入数据打印shape:',mnist.validation.images.shape)

输出信息如下：

序号	内容
1	解压数据集
2	打印解压的图片信息
3	打印图片shape
4	显示训练集中的图-序号1
5	打印测试数据集与验证数据shape

有关shape(形状)的介绍：https://blog.youkuaiyun.com/RObot_123/article/details/103102627

二，分析mnist样本特点定义变量

因为 输入的图片是55000×784个矩阵
所以 创建一个**[None,784]的占位符x和一个[None,10]的占位符y**
最后 用feed机制将图片和标签输入进去

import tensorflow as tf #导入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import pylab 

tf.reset_default_graph()
# 定义占位符
x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度长度 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 种类别

三，构建模型

1.定义学习参数

• 定义权重变量W
• 定义偏值变量b

# 定义学习参数
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

2.定义输出节点

• softmax分类

pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

3.定义反向传播的结构

• 损失函数：交叉熵函数
• 设置学习率：0.01
• 优化器：GradientDescentOptimizer（梯度下降算法）

# 损失函数
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))

#参数设置
learning_rate = 0.01
# 使用梯度下降优化器
optimizer = tf