姓名签名设计,鹿晗摔倒,小张帝南昌演唱会
对于分类方面,softmax函数的作用是从样本值计算得到该样本属于各个类别的概率大小。例如手写数字识别,softmax模型从给定的手写体图片像素值得出这张图片为数字0~9的概率值,这些概率值之和为1。预测的结果取最大的概率表示的数字作为这张图片的分类。
首先从tensorflow导入mnist数据集,里面包含了手写数字图片的像素矩阵,以及这些图片所对应的数字类别:
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
说明一下图片的像素矩阵是将28x28压平为[1x784]大小的向量;标签是[1x10]的向量,其中某一个数是1,其余全为0,比如说如果标签表示的是数字5,那么这个标签向量为[0,0,0,0,1,0,0,0,0,0]。
构建模型:
x = tf.placeholder("float",[none,784]) #一个二维向量的占位符,none表示第一位可以是任意长度,784表示一张图片压平后的长度 w = tf.variable(tf.zeros([784,10])) b = tf.variable(tf.zeros([10])) #temp = x*w + b #softmax(temp)得到一个[none,10]的向量,表示none个图片可能代表0~9的概率。 y = tf.nn.softmax(tf.matmul(x,w)+b)
构建模型训练过程:定义损失函数,最小化这个损失函数,从而得到w,b
y_ = tf.placeholder("float",[none,10]) #这里用占位符来代表y_(每个图片的真实类别),后面运行时会将真实类别填给占位符。 cross_entropy = -tf.reduce_sum(y_*tf.log(y)) #y是模型的预测类别,y_是真实类别,用交叉熵来代表损失函数(说明预测值和真实值之间的差异) train_step = tf.train.gradientdescentoptimizer(0.01).minimize(cross_entropy) #用梯度下降法来最小化损失函数
运行之前构造的模型:
init = tf.initialize_all_variables()#init表示初始化所有变量 sess = tf.session()#启动会话,用于运行模型 sess.run(init)#运行init才真正的使所有变量初始化 for i in range(1000):#训练模型1000遍 batch_xs,batch_ys = mnist.train.next_batch(100) #从数据集中取出100个样本 sess.run(train_step, feed_dict={x:batch_xs, y_:batch_ys}) #将样本填入之前定义的占位符,然后运行刚才构建的训练过程
评估模型:
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) #逐个判断预测值和真实值是否相等,返回一个矩阵。 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #tf.cast将bool型转化为float型,reduce_mean计算平均值(即正确率) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #将测试集填入之前的占位符,运行之前的模型,得到正确率
输出结果为:
0.9181
tensorflow让用户先从更大的层面上构建模型,其中需要的数据先由占位符代替,然后在运行模型时再填入对应的数据。用户不需要对具体运算过程一步步编程实现,使得神经网络的构建简便了许多。
正在学习tensorflows时写的笔记,欢迎评论探讨!
参考网址:
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
网友评论