Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- import tensorflow as tf
- # 导入input_data用于自动下载和安装MNIST数据集
- from tensorflow.examples.tutorials.mnist import input_data
- mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
- #手动下载数据后的读取方式
- ## MINST官网下载下来的4个压缩包放在工程的MNIST_data目录下
- #from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
- ## 一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。
- #mnist = read_data_sets("MNIST_data/", one_hot=True)
- # 输入任意数量的MNIST图像,每一张图展平成784维的向量。None表示任意长度
- x = tf.placeholder("float", [None, 784])
- # Variable模型参数代表一个可修改的张量,存在在TensorFlow的用于描述交互性操作的图中。
- W = tf.Variable(tf.zeros([784, 10]))
- b = tf.Variable(tf.zeros([10]))
- # 损失函数,Softmax回归模型是logistic回归模型在多分类问题上的推广
- y = tf.nn.softmax(tf.matmul(x, W) + b)
- # y_是实际的分布
- y_ = tf.placeholder("float", [None, 10])
- # 计算交叉熵,tf.reduce_sum 计算张量的所有元素的总和。
- cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
- # 模型训练方法,梯度下降算法,以0.01的学习率最小化交叉熵。
- train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
- # 初始化创建的变量
- init = tf.global_variables_initializer()
- # 启动会话,并且初始化变量
- sess = tf.Session()
- sess.run(init)
- # 开始训练模型,随机梯度下降训练
- for i in range(1000):
- # 随机抓取训练数据中的100个批处理数据点
- batch_xs, batch_ys = mnist.train.next_batch(100)
- sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
- # 评估模型,argmax()给出tensor对象在某一维上数据最大值所在的索引值
- # 检测预测是否和真实标签匹配(索引位置一样表示匹配),返回布尔值
- correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
- # 计算正确预测项的比例 cast()布尔值转换成浮点数,然后取平均值。
- accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
- # 计算所学习到的模型在测试数据集上面的正确率
- print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
- #0.9216
Add Comment
Please, Sign In to add comment