TensorFlow实战——Softmax分类MNIST

最新推荐文章于 2024-05-21 14:45:00 发布

原创

最新推荐文章于 2024-05-21 14:45:00 发布 · 547 阅读

2 ·

CC 4.0 BY-SA版权

下面代码使用Softmax分类MNIST，并绘制准确率随训练次数变化的关系图：

（代码会自动下载MNIST数据集放在"MNIST_data/"文件夹中，若数据及存在则直接使用）

# coding:utf-8
import matplotlib.pyplot as plt

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data # 导入MNIST教学的模块

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # 读入MNIST数据
                    
x = tf.placeholder(tf.float32, [None, 784]) # 创建x，x是一个占位符（placeholder），代表待识别的图片
y_ = tf.placeholder(tf.float32, [None, 10]) # y_是实际的图像标签，同样以占位符表示。

W = tf.Variable(tf.ones([784, 10])) # 在TensorFlow中，变量的参数用tf.Variable表示
b = tf.Variable(tf.zeros([10])) # b是又一个Softmax模型的参数，我们一般叫做“偏置项”（bias）。
y = tf.nn.softmax(tf.matmul(x, W) + b) # y=softmax(Wx + b)，y表示模型的输出

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y))) # 根据y, y_构造交叉熵损失
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 有了损失，我们就可以用随机梯度下降针对模型的参数（W和b）进行优化

n = 500 # 训练次数
s = 10 # 准确率输出间隔
accuracy_list = [] #