tensorflow之分类学习

写在前面的话

MNIST教程是tensorflow中文社区的第一课，例程即训练一个 手写数字识别 模型：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html
参考视频：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-01-classifier/

MNIST编程

代码全文

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data',one_hot = True)

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):
    global prediction
    y_pre = sess.run(prediction,{xs:v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,{xs:v_xs,ys:v_ys})
    return result


xs = tf.placeholder(tf.float32,[None,784])
ys = tf.placeholder(tf.float32,[None,10])

# add hiden layer
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)

#  the error
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),reduction_indices=[1]))

# train
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    sess.run(train_step,{xs:batch_xs,ys:batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(mnist.test.images,mnist.test.labels))

打印结果

解释

总的来说，整个程序分为两层，输入层和输出层，没有隐藏层。用到的激励函数为 softmax 函数。

与之前的 tensorflow之曲线拟合相比，不同并值得记录的有以下几点：

1 one_hot = True

表示使用热编码 ，什么是热编码呢？这里举个例子
如用[1,0,0,0,0,0,0]表示星期一，[0,1,0,0,0,0,0]表示星期二。这里是手写数字识别，识别0~9 共10个数字。所以这里用热编码来表示5的话就是： [0,0,0,0,0,1,0,0,0,0]。在实际预测过程中，预测值可能为 [0,0,0.1,0,0,0.6,0,0,0.3,0] 这样的形式，代表预测到0~9某一数字的概率。

2 prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax)

激励函数为 softmax ，这里为什么用这个函数，对于分类问题， “最后一层输出会使用Softmax函数进行概率化输出”

3 cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),reduction_indices=[1]))

cross_entropy称为交叉熵 ，该误差模型被广泛应用于机器学习的分类问题。

4 mnist.train.next_batch(100)

这里代表每次从训练样本中拿出100个训练样本样本数据来进行训练。进行1000次迭代循环，实际上使用了100 * 1000 个训练样本。

5 compute_accuracy(mnist.test.images,mnist.test.labels)

函数本身的作用用来计算训练模型后用测试样本来检测准确率的。与上一条解释对比可以看到变量的不同。一个是 train ，一个是test 。这样做是用训练数据去训练模型，用测试数据来测试模型，更能测试模型的鲁棒性。

6 tf.argmax()

tf.argmax(vector, 1)：返回的是vector中的最大值的索引号，如果vector是一个向量，那就返回一个值，如果是一个矩阵，那就返回一个向量，这个向量的每一个维度都是相对应矩阵行的最大值元素的索引号。

import tensorflow as tf
import numpy as np
 
A = [[1,3,4,5,6]]
B = [[1,3,4], [2,4,1]]
 
with tf.Session() as sess:
    print(sess.run(tf.argmax(A, 1)))
    print(sess.run(tf.argmax(B, 1)))

#输出：
#[4]
#[2 1]

这里返回最大数值的所引值，实际上就是返回了0~9概率最大的那个数值，然后识别的结果和测试样本的正确结果对比。

关于第二个参数，这涉及到axis ，对于axis取值0或1，关系的是在计算上矩阵时是行 的方向还是列 的方向。这个百度一下就知道。

7 tf.cast()

cast(x, dtype, name=None)
将x的数据格式转化成dtype.例如，原来x的数据格式是bool，那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以。例如

a = tf.Variable([1,0,0,1,1])
b = tf.cast(a,dtype=tf.bool)
sess = tf.Session()
sess.run(tf.initialize_all_variables())
print(sess.run(b))
#输出[ True False False  True  True]

解析参考：
https://blog.csdn.net/uestc_c2_403/article/details/72232807
https://blog.csdn.net/luoganttcc/article/details/70315538

总结

1 对于线性/非线性拟合
① 常用激励函数：relu
② 常用平方差，计算误差
2 对于分类问题
① 最后一层常用Softmax 激励函数进行概率化输出
② 常用交叉熵 ，计算误差
3 对于大批量数据，常用分批次训练，next_batch

来源：https://www.cnblogs.com/maskerk/p/9981861.html

标签

tensorflow

argmax

mnist

prediction