TensFlow框架学习之MNIST机器学习入门

1. 前言：初学TensorFlow和机器学习，MNIST算法的每条语句都不是很清楚，通过查阅资料，将每句代码的基本用法差不多理解了。希望能够帮助正在学习的你

[python] view plain copy

1. <span style="font-size:32px;">from tensorflow.examples.tutorials.mnist  import  input_data
2. mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)</span>

#mnist.train:训练数据,mnist.test:测试数据,mnist.valication:开发数据

#每份MNIST数据包含手写数字图像(后记为xs)和对应标注(后记为ys)2部分

# 训练集和测试集均包含xs和ys

# 所以训练图像是mnist.train.images、训练标注是mnist.train.labels.训练图像是mnist.train.images训练标注是mnist.train.labels

[python] view plain copy

1. <span style="font-size:32px;">print(mnist.train.images.shape,mnist.train.labels.shape)
2. print(mnist.test.images.shape,mnist.test.labels.shape)
3. print(mnist.validation.images.shape,mnist.validation.labels.shape )</span>

"""载入TensorFlow库，创建新的InteractionSession，使用命令将session注册为默认的session，之后的运算也默认跑在这个session不同session之间的数据和运算是相互独立的"""

[python] view plain copy

1. <span style="font-size:32px;">import tensorflow as  tf
2. sess = tf.InteractiveSession()</span>

"""x表示所有的手写体图片。它并不是一个固定值而是一个占位符，只有在TensorFlow运行时才会被设定真实

创建一个Placeholder,即输入数据的地方

第一个参数是数据类型，使用一个二维浮点数

第二个参数[None,784]代表tensor的shape，代表数据的尺寸，None代表不限条数的输入，784代表每条输入是一个784维的向量"""

[python] view plain copy

1. <span style="font-size:32px;">x = tf.placeholder(tf.float32,[None,784])</span>

"""tf.Variable创建变量，使用 tf.zeros 将变量 W 和 b 设为初始化全为0的张量

w的形状是一个[784,10]的张量，第一个向量列表表示每个图片都有784个像素点，第二个向量列表表示从“0”到“9”一共有10类图片。所以w用一个784维度的向量表示像素值，用10维度的向量表示分类，

而2个向量进行乘法运算（或者说2个向量的笛卡尔集）就表示“某个像素在某个分类下的证据”。

b的形状是[10]，他仅表示10个分类的偏移值。

"""

[python] view plain copy

1. <span style="font-size:32px;">w = tf.Variable(tf.zeros([784,10]))
2. b = tf.Variable(tf.zeros([10]))</span>

"""tf.nn包含了大量神经网络的组件，tf.matmul是TensorFlow中的矩阵乘法函数

tf.matmul(x, W) 表达式表示W和x的乘积运算，对应之前等式（y=softmax(Wx+b)）的Wx，这个计算结果会得到一个y1=[None, 10]的张量，表示每个图片在10个分类下权重计算结果。

tf.matmul(x, W) + b 表示执行y2=y1+b的运算，它计算每个分类的偏移量。y2还是一个[None,10]的张量。最后使用 tf.nn.softmax 进行归一计算，得到每张图片在每个分类下概率。

TensorFlow能够将forward和backward的内容自动实现，只要接下来定义好loss,训练时会自动求导并进行梯度下降"""

[python] view plain copy

1. <span style="font-size:32px;">y = tf.nn.softmax(tf.matmul(x,w) + b)</span>

"""定义一个placeholder，输入的是真实的label,用来计算cross-entropy.

这里的y_ * tf.log(y)是对应交叉熵公式的乘积部分，tf.reduce_sum对应求和部分。
tf.reduce_mean则用来对每个batch数据结果求均值"""

[python] view plain copy

1. <span style="font-size: 32px;">y_ = tf.placeholder(tf.float32,[None,10])cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))</span>

"""TensorFlow会根据我们定义的整个计算图自动求导，并根据反向传播进行训练，在每一轮迭代时更新参数来减小loss.
后台TensorFlow会自动添加许多运算操作来实现提到的反向传播和梯度下降。
我们只需要调用封装好的优化器，提供数据给它就好
调用tf.train.GradientDescentOptimizer，设置学习速率为0.5，优化目标设为cross-entropy，得到进行训练的操作train_step"""

[python] view plain copy

1. <span style="font-size:32px;">train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)</span>

"""使用TensorFlow的全局参数初始化器，执行它的run方法"""

[python] view plain copy

1. tf.global_variables_initializer().run()

"""抽取100条样本构成一个mini-batch，并提供给placeholder
接着调用train_step对样本进行训练"""

[python] view plain copy

1. <span style="font-size:32px;">for i in range(1000):    </span>

[python] view plain copy

1. <span style="font-size:32px;">    batch_xs,batch_ys = mnist.train.next_batch(100)   </span>

[python] view plain copy

1. <span style="font-size:32px;">    train_step.run({x:batch_xs,y_:batch_ys})</span>

"""tf.argmax是从一个tensor中寻找最大值的序号

tf.argmax(y,1)是求各个预测的数字中概率最大的那一个
tf.argmax(y_,1)是找样本的真是数字类别。

而tf.equal则用来判断数字类别是否就是正确的类别。
correct_prediction表示计算分类是否正确"""

[python] view plain copy

1. <span style="font-size:32px;">correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))</span>

"""统计全部样本预测的accuracy
先用tf.cast将之前corrext_prediction输出的bool值转换为float32，再求平均值"""

[python] view plain copy

1. <span style="font-size:32px;">accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))</span>

#将测试数据的特征和Label输入评测流程accuracy,计算模型在测试集上的准确率，打印结果

[python] view plain copy

1. <span style="font-size:32px;">print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))</span>

总结TensorFlow实现算法的流程：

（1）定义算法公式，也就是神经网络forward时的计算

（2）定义loss，选定优化器，指定优化loss

（3）迭代数据进行训练

（4）使用测试集进行验证