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)槭嵌喾诸悊栴}，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)做變量傳來傳去，因此需要將他們寫在一起。
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。
相關(guān)文章
最近業(yè)務(wù)需要對(duì)Pyhon中的一些字符串內(nèi)容去除空格,方便后續(xù)處理,下面這篇文章主要給大家介紹了關(guān)于python去除字符串中空格的6種常用方法,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-05-05
Python使用Pillow實(shí)現(xiàn)圖像基本變化
這篇文章主要為大家詳細(xì)介紹了Python如何使用Pillow實(shí)現(xiàn)圖像的基本變化處理，文中的示例代碼講解詳細(xì)，具有一定的學(xué)習(xí)價(jià)值，需要的可以了解一下2022-10-10
本文主要介紹了如何使用python繪制分組條形圖，文中通過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一起學(xué)習(xí)學(xué)習(xí)吧2023-07-07
Python利用PsUtil實(shí)現(xiàn)實(shí)時(shí)監(jiān)控系統(tǒng)狀態(tài)
PSUtil是一個(gè)跨平臺(tái)的Python庫，用于檢索有關(guān)正在運(yùn)行的進(jìn)程和系統(tǒng)利用率（CPU，內(nèi)存，磁盤，網(wǎng)絡(luò)，傳感器）的信息。本文就來用PsUtil實(shí)現(xiàn)實(shí)時(shí)監(jiān)控系統(tǒng)狀態(tài)，感興趣的可以跟隨小編一起學(xué)習(xí)一下2023-04-04
windows下添加Python環(huán)境變量的方法匯總
默認(rèn)情況下，在windows下安裝python之后，系統(tǒng)并不會(huì)自動(dòng)添加相應(yīng)的環(huán)境變量。此時(shí)不能在命令行直接使用python命令。今天我們就來看下，如何簡(jiǎn)單快捷的在windows下添加Python環(huán)境變量2018-05-05
好的Python培訓(xùn)機(jī)構(gòu)應(yīng)該具備哪些條件
python是現(xiàn)在開發(fā)的熱潮，大家應(yīng)該如何學(xué)習(xí)呢？許多人選擇自學(xué)，還有人會(huì)選擇去培訓(xùn)結(jié)構(gòu)學(xué)習(xí)，那么好的培訓(xùn)機(jī)構(gòu)的標(biāo)準(zhǔn)是什么樣的呢？下面跟隨腳本之家小編一起通過本文學(xué)習(xí)吧2018-05-05
這篇文章主要給大家介紹了關(guān)于Python中Yield的基本用法，文中通過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一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10
Python word實(shí)現(xiàn)讀取及導(dǎo)出代碼解析
這篇文章主要介紹了Python word實(shí)現(xiàn)讀取及導(dǎo)出代碼解析,文中通過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,需要的朋友可以參考下2020-07-07
在Python中，如果需要對(duì)某個(gè)變量進(jìn)行處理，我們可以通過函數(shù)來實(shí)現(xiàn)，這篇文章主要介紹了Jinja2過濾器的使用、控制語句,需要的朋友可以參考下2023-03-03
Python使用Selenium爬取淘寶異步加載的數(shù)據(jù)方法
今天小編就為大家分享一篇Python使用Selenium爬取淘寶異步加載的數(shù)據(jù)方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-12-12