tensorflow實(shí)現(xiàn)softma識(shí)別MNIST

更新時(shí)間：2018年03月12日 15:23:37 作者：freedom098

這篇文章主要為大家詳細(xì)介紹了tensorflow實(shí)現(xiàn)softma識(shí)別MNIST，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

識(shí)別MNIST已經(jīng)成了深度學(xué)習(xí)的hello world，所以每次例程基本都會(huì)用到這個(gè)數(shù)據(jù)集，這個(gè)數(shù)據(jù)集在tensorflow內(nèi)部用著很好的封裝，因此可以方便地使用。

這次我們用tensorflow搭建一個(gè)softmax多分類器，和之前搭建線性回歸差不多，第一步是通過(guò)確定變量建立圖模型，然后確定誤差函數(shù)，最后調(diào)用優(yōu)化器優(yōu)化。

誤差函數(shù)與線性回歸不同，這里因?yàn)槭嵌喾诸悊?wèn)題，所以使用了交叉熵。

另外，有一點(diǎn)值得注意的是，這里構(gòu)建模型時(shí)我試圖想拆分多個(gè)函數(shù)，但是后來(lái)發(fā)現(xiàn)這樣做難度很大，因?yàn)閳D是在規(guī)定變量就已經(jīng)定義好的，不能隨意拆分，也不能當(dāng)做變量傳來(lái)傳去，因此需要將他們寫(xiě)在一起。

代碼如下：

#encoding=utf-8 
__author__ = 'freedom' 
import tensorflow as tf 
 
def loadMNIST(): 
 from tensorflow.examples.tutorials.mnist import input_data 
 mnist = input_data.read_data_sets('MNIST_data',one_hot=True) 
 return mnist 
 
def softmax(mnist,rate=0.01,batchSize=50,epoch=20): 
 n = 784 # 向量的維度數(shù)目 
 m = None # 樣本數(shù)，這里可以獲取，也可以不獲取 
 c = 10 # 類別數(shù)目 
 
 x = tf.placeholder(tf.float32,[m,n]) 
 y = tf.placeholder(tf.float32,[m,c]) 
 
 w = tf.Variable(tf.zeros([n,c])) 
 b = tf.Variable(tf.zeros([c])) 
 
 pred= tf.nn.softmax(tf.matmul(x,w)+b) 
 loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1)) 
 opt = tf.train.GradientDescentOptimizer(rate).minimize(loss) 
 
 init = tf.initialize_all_variables() 
 
 sess = tf.Session() 
 sess.run(init) 
 for index in range(epoch): 
  avgLoss = 0 
  batchNum = int(mnist.train.num_examples/batchSize) 
  for batch in range(batchNum): 
   batch_x,batch_y = mnist.train.next_batch(batchSize) 
   _,Loss = sess.run([opt,loss],{x:batch_x,y:batch_y}) 
   avgLoss += Loss 
  avgLoss /= batchNum 
  print 'every epoch average loss is ',avgLoss 
 
 right = tf.equal(tf.argmax(pred,1),tf.argmax(y,1)) 
 accuracy = tf.reduce_mean(tf.cast(right,tf.float32)) 
 print 'Accracy is ',sess.run(accuracy,({x:mnist.test.images,y:mnist.test.labels})) 
 
 
if __name__ == "__main__": 
 mnist = loadMNIST() 
 softmax(mnist)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章:

相關(guān)文章

Python日志采集代碼詳解
這篇文章主要介紹了Python日志采集,在實(shí)際使用python做自動(dòng)化測(cè)試過(guò)程中兩種解決思路都可以使用，且都挺方便，其中對(duì)于思路1，還可以將代碼進(jìn)行更進(jìn)一步的封裝，需要的朋友可以參考下
2022-05-05
解決pycharm無(wú)法刪除invalid interpreter(無(wú)效解析器)的問(wèn)題
這篇文章主要介紹了pycharm無(wú)法刪除invalid interpreter(無(wú)效解析器)的問(wèn)題,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下
2023-07-07
Python使用logging實(shí)現(xiàn)多進(jìn)程安全的日志模塊
這篇文章主要為大家詳細(xì)介紹了Python如何使用標(biāo)準(zhǔn)庫(kù)logging實(shí)現(xiàn)多進(jìn)程安全的日志模塊,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以了解下
2024-01-01
Python使用海龜繪圖實(shí)現(xiàn)貪吃蛇游戲
這篇文章主要為大家詳細(xì)介紹了Python使用海龜繪圖實(shí)現(xiàn)貪吃蛇游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下
2021-06-06
python用類實(shí)現(xiàn)文章敏感詞的過(guò)濾方法示例
這篇文章主要介紹了python用類實(shí)現(xiàn)文章敏感詞的過(guò)濾方法示例，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
2019-10-10
Python封裝原理與實(shí)現(xiàn)方法詳解
這篇文章主要介紹了Python封裝原理與實(shí)現(xiàn)方法,結(jié)合實(shí)例形式較為詳細(xì)的分析了Python封裝的概念、原理、實(shí)現(xiàn)方法及相關(guān)操作注意事項(xiàng),需要的朋友可以參考下
2018-08-08
CentOS 7下安裝Python 3.5并與Python2.7兼容并存詳解
這篇文章主要給大家介紹了在CentOS 7下安裝Python 3.5并與Python2.7兼容并存的相關(guān)資料，文中將安裝步驟介紹的非常詳細(xì)，對(duì)大家具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面跟著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧。
2017-07-07
python中end=" "的含義及說(shuō)明
這篇文章主要介紹了python中end=" "的含義及說(shuō)明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教
2023-01-01
pandas表連接索引上的合并方法
今天小編就為大家分享一篇pandas表連接索引上的合并方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
2018-06-06
python腳本調(diào)用iftop 統(tǒng)計(jì)業(yè)務(wù)應(yīng)用流量的思路詳解
這篇文章主要介紹了python腳本調(diào)用iftop 統(tǒng)計(jì)業(yè)務(wù)應(yīng)用流量的思路詳解，本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
2019-10-10