TensorFlow Classification分类学习

使用MNIST实现的例子

具体的实现在注释里详细说明了

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data


#添加神经层的函数，有四个参数
#输入值，输入的大小，输出的大小和激励函数
def add_layer(inputs, in_size, out_size, activation_function=None):

    #在生成初始参数的时候，使用随机变量（normal distribution）会比全部为0要好很多
    #这里的weights为一个in_size行，out_size列的随机变量矩阵
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))

    #在机器学习中，biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)

    #下面，我们定义Wx_plus_b，即神经网络未激活的值。其中，tf.matmul()是矩阵乘法
    #矩阵乘法是列与行的乘法
    Wx_plus_b = tf.matmul(inputs, Weights) + biases

    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)

    return outputs


def compute_accuracy(v_xs, v_ys):
    global prediction
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result


#导入数据（MNIST库)
#图片为28 * 28 = 784
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

#每张图片都表示一个数字，所以我们的输出是数字0到9，共10类
xs = tf.placeholder(tf.float32, [None, 784])  # 28x28
ys = tf.placeholder(tf.float32, [None, 10])

#调用add_layer函数搭建一个最简单的训练网络结构，只有输入层和输出层。
#其中输入数据是784个特征，输出数据是10个特征，激励采用softmax函数，网络结构图是这样子的
prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)

#Cross entropy loss

#loss函数（即最优化目标函数）选用交叉熵函数。
#交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零

cross_entropy = tf.reduce_mean(
    -tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()

# 替换成下面的写法:
sess.run(tf.global_variables_initializer())

#现在开始train，每次只取100张图片，免得数据太多训练太慢。
for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        # print(mnist.test.images, mnist.test.labels)
        print(compute_accuracy(mnist.test.images, mnist.test.labels))