Tensorflow MNIST机器学习入门代码（直接编译运行）

最新推荐文章于 2020-12-02 15:51:08 发布

原创最新推荐文章于 2020-12-02 15:51:08 发布 · 246 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#MNIST #Tensorflow

机器学习同时被 3 个专栏收录

13 篇文章

订阅专栏

理论学习

6 篇文章

订阅专栏

Tensorflow

5 篇文章

订阅专栏

本文通过使用TensorFlow框架对MNIST手写数字数据集进行训练，实现了一个基本的softmax回归模型。文中详细展示了如何定义模型、训练过程以及评估模型准确性的完整代码示例。

原创不易，如果有转载需要的话，请在首行附上本文地址，谢谢。

废话不多说，直接上代码,复制到Spyder，编译运行。

#设置代码如下，可以避免下载input_data.py
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

import tensorflow as tf
#放置占位符
x=tf.placeholder("float",[None,784])
#创建两个变量
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
#使用TensorFlow自带的softmax回归线性模型
y=tf.nn.softmax(tf.matmul(x,w)+b)
#为了进行训练，需要把正确值一并传入网络
y_=tf.placeholder("float",[None,10])
#计算交叉墒
cross_entropy=-tf.reduce_sum(y_*tf.log(y))
#使用梯度下降算法以0.01的学习率最小化交叉墒
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化之前创建的变量的操作
init=tf.initialize_all_variables()
#启动初始化
sess=tf.Session()
sess.run(init)
#开始训练模型，循环1000次，每次都会随机抓取训练数据中的100条数据，然后作为参数替换之前的占位符来进行train_step
for i in range(1000):
    batch_xs,batch_ys=mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
#评估模型，tf.argmax能给出某个tensor对象在某一纬度上数据的最大索引，因为标签是由0,1组成，返回的索引就是数值为1的位置
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#计算正确预测项的比例，因为tf.equal返回的是布尔值,相等表示真，真的用ture,假的用false，使用tf.cast可以把布尔值转换成浮点数，tf.reduce_mean是求平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
#在session中启动accuracy，输入是MNIST中的测试集
print (sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))

运行结果：