用全连接对手写数字识别案例（附解决TensorFlow2.x没有examples问题）

虫子uuu

已于 2024-04-21 17:02:17 修改

阅读量1.4k

点赞数 46

文章标签：深度学习人工智能神经网络

于 2024-04-17 21:47:33 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_47256446/article/details/137838125

版权

本文介绍了如何在TensorFlow框架中处理MNIST数据集，包括从官网下载数据，设计并实现一个全连接神经网络进行手写数字识别，以及使用softmax_cross_entropy_with_logits计算损失并使用AdamOptimizer进行优化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据集介绍

数据集直接调用可能出现问题，建议从官网直接下载下来，下载存在这四个文件

手写数字识别数据集下载：

链接：https://pan.baidu.com/s/1nqhP4yPNcqefKYs91jp9ng?pwd=xe1h
提取码：xe1h

55000行训练数据集（minst.train）和10000行测试数据集（mnist.test）。

每一个数据单元分为两部分：一张含手写数字的图片和一个对应的标签训练数据集图片mnist.train.images,训练数据集的标签是mnist.train.labels

特征值：黑白图片，每张包含28像素*28像素

目标值：分类 --one-hot编码那一列标号为1属于哪个类别（0-9数字表示10列，对应看标号1属于哪列表示哪个值）

Mnist数据获取API

TensorFlow框架自带了获取这个数据集的接口，我们直接调用即可

》from trnsorflow.exampls.tutorials.mnist import_data

mnist = input_data.read_data_sets(path,one_hot = True)

mnist.train.next_batch(100) 提供批量获取

mnist.train.image、 labels

mnist.test.image、 labels

实战

1、网络设计采用一层，即最后一个输出层的神经网络 ----全连接神经网络

2、全连接层计算

y = w1x1 +w2x2+....+b

x[None,784] * weights[784,10] + bias[10]= y_predict[None,10]

平均损失：error=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,

logits=y_predict, name=None))

优化损失:梯度下降

计算准确率：比较输出结果最大值所在位置和真实值的最大值所在位置一致返回1不一致返回0

计算平均

3、代码：

import tensorflow as tf
from tensorflow.examples.speech_commands import input_data

tf.compat.v1.disable_eager_execution()
from tensorflow.examples.tutorials.mnist import input_data

def full_connection():
    """
    用全连接对手写数字进行识别
    :return:
    """
    # 1）准备数据
    mnist = input_data.read_data_sets("D:\heima\Python深度之神经网络资料\02-代码\mnist_data", one_hot=True)
    # 用占位符定义真实数据
    X = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 784])
    y_true = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 10])

    # 2）构造模型 - 全连接
    # [None, 784] * W[784, 10] + Bias = [None, 10]
    weights = tf.Variable(initial_value=tf.compat.v1.random_normal(shape=[784, 10], stddev=0.01))
    bias = tf.Variable(initial_value=tf.compat.v1.random_normal(shape=[10], stddev=0.1))
    y_predict = tf.matmul(X, weights) + bias

    # 3）构造损失函数
    loss_list = tf.nn.softmax_cross_entropy_with_logits(logits=y_predict, labels=y_true)
    loss = tf.reduce_mean(loss_list)

    # 4）优化损失
    # optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
    optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate=0.01).minimize(loss)

    # 5）增加准确率计算
    bool_list = tf.equal(tf.argmax(y_true, axis=1), tf.argmax(y_predict, axis=1))
    accuracy = tf.reduce_mean(tf.cast(bool_list, tf.float32))

    # 初始化变量
    init = tf.compat.v1.global_variables_initializer()

    # 开启会话
    with tf.compat.v1.Session() as sess:

        # 初始化变量
        sess.run(init)

        # 开始训练
        for i in range(5000):
            # 获取真实值
            image, label = mnist.train.next_batch(500)

            _, loss_value, accuracy_value = sess.run([optimizer, loss, accuracy], feed_dict={X: image, y_true: label})

            print("第%d次的损失为%f，准确率为%f" % (i+1, loss_value, accuracy_value))


    return None

if __name__ == "__main__":
    full_connection()