一行一行详细解读tensorflow实现mnist手写数字辨识（非CNN实现）

ゞ浴缸里的玫瑰 2022-05-21 02:59 145阅读 0赞

## **1、直接上代码** ##

# -*- coding:utf-8 -*-
    """
    @author:Subao
    @file:mnist_test.py
    @time:2018/6/26/10:38
    """
    #首先读入mnist数据集，并把它保存在“MNIST_data”目录下
    from tensorflow.examples.tutorials.mnist import input_data
    #one_hot表示一个向量中只有一个值为1，其他为0
    #比如[0,0,0,1,0,0,0,0,0,0],这在手写辨识中表示数字3
    mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
    #导入tensorflow
    import tensorflow as tf
    #启动一个会话，tensorflow使用图来表示计算任务，在被称之为
    #会话Session的上下文中执行图
    sess = tf.InteractiveSession()
    #初始化两个变量x,和y_，他们的维度分别是[None,784],[None,10]
    #分别表示数据集图像和数据集标签
    x = tf.placeholder("float", shape=[None, 784])
    y_ = tf.placeholder("float", shape=[None, 10])
    #下面这两个变量W,b是我们要训练的模型参数。一会我们要运行x*W+b这个矩阵运算
    #所以W和b的维度分别为[784,10],[10],并且这两个矩阵的元素全是0
    W = tf.Variable(tf.zeros([784, 10]))
    b = tf.Variable(tf.zeros([10]))
    #初始化所有变量，因为我们之前有用到tf.Variable()
    sess.run(tf.initialize_all_variables())
    #运行矩阵运算x*W+b，然后将这个值送入激活函数softmax(*)
    y = tf.nn.softmax(tf.matmul(x, W) + b)
    #计算交叉熵cross_entropy，然后把矩阵里的所有元素求和
    #所以，cross_entropy是一个矢量值
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    
    #接下来我们开始训练模型，用梯度下降法，目标函数最小化cross_entropy
    #学习率是0.01
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
    
    #训练1000次
    for i in range(1000):
        #每一批的数据处理大小是50个样本
        batch = mnist.train.next_batch(50)
        #Feed的数据要用字典的形式传入，填补之前的placeholder所空着的位置
        train_step.run(feed_dict={x: batch[0], y_: batch[1]})
    #tf.argmax的作用是返回一维数组中最大的数所在的索引。
    #argmax(@,1)表示按行来取最大数值索引位置，如果两个索引位置相等就返回True,否则False
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    #tf.cast()把之前correct_prediction中的布尔值，转化为“float”,
    #也就是0.0或者1.0，这样一来只要对这些0和1取均值即可反映模型准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    #上述训练结束后，我们用测试集来验证模型的准确率并打印
    print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

## **2、结果展示** ##

![70][]

[70]: /images/20220521/52343c3996254931b9e87b83a7d7c790.png