TensorFlow-step2-手写数字识别

最新推荐文章于 2024-05-29 00:15:00 发布

灿cc

最新推荐文章于 2024-05-29 00:15:00 发布

阅读量354

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/sinat_34233802/article/details/68066126

本文通过使用TensorFlow实现softmax回归解决多分类问题，展示了从构建模型到训练优化直至评估模型的完整流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

softmax回归，多分类问题
W*x+b

import tensorflow as tf
import numpy as np
#回归
x = tf.placeholder(tf.float32, [None, 784])  #图像
W = tf.Variable(tf.zeros([784, 10]))  #权重
b = tf.Variable(tf.zeros([10]))    #偏差
y = tf.nn.softmax(tf.matmul(x, W) + b)  #matmul乘
#损失
#交叉熵 
y_ = tf.placeholder(tf.float32, [None, 10]) #正确答案
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) #交叉熵公式
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  #梯度学习优化
sess = tf.InteractiveSession()  #启动
tf.global_variables_initializer().run() #初始化
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})  #调参
#现在w，b的值已经改变
#评估模型
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) #比较对应值10行，相等的返回true
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  #将Boolean值转化成浮点数，求平均得出正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #测试数据正确性