一、TensorFlow簡介

TensorFlow是由谷歌開發(fā)的一套機器學習的工具，使用方法很簡單，只需要輸入訓練數(shù)據(jù)位置，設定參數(shù)和優(yōu)化方法等，TensorFlow就可以將優(yōu)化結(jié)果顯示出來，節(jié)省了很大量的編程時間，TensorFlow的功能很多很強大，這邊挑選了一個比較簡單實現(xiàn)的方法，就是利用TensorFlow的邏輯回歸算法對數(shù)據(jù)庫中的手寫數(shù)字做識別，讓機器找出規(guī)律，然后再導入新的數(shù)字讓機器識別。

二、流程介紹

上圖是TensorFlow的流程，可以看到一開始要先將參數(shù)初始化，然后導入訓練數(shù)據(jù)，計算偏差，然后修正參數(shù)，再導入新的訓練數(shù)據(jù)，不斷重復，當數(shù)據(jù)量越大，理論上參數(shù)就會越準確，不過也要注意不可訓練過度。

三、導入數(shù)據(jù)

數(shù)據(jù)可進入MNIST數(shù)據(jù)庫 (Mixed National Institute of Standards and Technology database)，這是一個開放的數(shù)據(jù)庫，里面有許多免費的訓練數(shù)據(jù)可以提供下載，這次我們要下載的是手寫的阿拉伯數(shù)字，為什么要阿拉伯數(shù)字呢？1、因為結(jié)果少，只有十個，比較好訓練 2、圖片的容量小，不占空間，下面是部分的訓練數(shù)據(jù)案例

TensorFlow可以直接下載MNIST上的訓練數(shù)據(jù)，并將它導入使用，下面為導入數(shù)據(jù)的代碼

from tensorflow.examples.tutorials.mnist import input_data
MNIST = input_data.read_data_sets("/data/mnist", one_hot=True)

四、設定參數(shù)

接下來就是在TensorFlow里設定邏輯回歸的參數(shù)，我們知道回歸的公式為Y=w*X+b，X為輸入，Y為計算結(jié)果，w為權重參數(shù)，b為修正參數(shù)，其中w和b就是我們要訓練修正的參數(shù)，但訓練里要怎么判斷計算結(jié)果好壞呢？就是要判斷計算出來的Y和實際的Y損失值（loss）是多少，并盡量減少loss，這邊我們使用softmax函數(shù)來計算，softmax函數(shù)在計算多類別分類上的表現(xiàn)比較好，有興趣可以百度一下，這邊就不展開說明了，下面為參數(shù)設定

X = tf.placeholder(tf.float32, [batch_size, 784], name="image")
Y = tf.placeholder(tf.float32, [batch_size, 10], name="label")

X為輸入的圖片，圖片大小為784K，Y為實際結(jié)果，總共有十個結(jié)果（數(shù)字0-9）

w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name="weights")
b = tf.Variable(tf.zeros([1, 10]), name="bias")

w初始值為一個隨機的變數(shù)，標準差為0.01，b初始值為0。

logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y)
loss = tf.reduce_sum(entropy)

TensorFlow里面已經(jīng)有softmax的函數(shù)，只要把他叫出來就可以使用。

optimizer =
tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  n_batches = int(MNIST.train.num_examples/batch_size)
  for i in range(n_epochs): # train the model n_epochs times
    for _ in range(n_batches):
      X_batch, Y_batch = MNIST.train.next_batch(batch_size)
      sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch})

接著就是設定優(yōu)化方式，這邊是使用梯度降下發(fā)，然后將參數(shù)初始化，接著就運行了，這邊要提一下，我們的訓練方式是每次從訓練數(shù)據(jù)里面抓取一個batch的數(shù)據(jù)，然后進行計算，這樣可以預防過度訓練，也比較可以進行事后的驗證，運行完后再用下面的代碼進行驗證

n_batches = int(MNIST.test.num_examples/batch_size)
  total_correct_preds = 0
  for i in range(n_batches):
    X_batch, Y_batch = MNIST.test.next_batch(batch_size)
    _, loss_batch, logits_batch = sess.run([optimizer, loss, logits],
    feed_dict={X: X_batch, Y:Y_batch})
    preds = tf.nn.softmax(logits_batch)
    correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y_batch, 1))
    accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))
    total_correct_preds += sess.run(accuracy)
  print ("Accuracy {0}".format(total_correct_preds/MNIST.test.num_examples))

最后shell跑出來的結(jié)果是0.916，雖然看上去還算是不錯的結(jié)果，但其實準確率是很低的，因為他驗證的方式是判斷一個圖片是否為某個數(shù)字（單輸出），所以假如機器隨便猜也會有0.82左右的命中幾率（0.9*0.9+0.1*0.1），想要更準確的話目前想到有兩個方向，一個是提高訓練量和增加神經(jīng)網(wǎng)絡的層數(shù)。

到此這篇關于python用TensorFlow做圖像識別的實現(xiàn)的文章就介紹到這了,更多相關TensorFlow 圖像識別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！