Mnist数据集测试demo

参考tensorflow官网中的demo：mnist

分析mnist的数据集的格式：

28*28的矩阵格式，1表示该像素点为黑，0代表该像素点为白

然后，导入数据集：

import tensorflow as tf

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

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

设置占位符：

因为28*28 = 784 所以每次塞入的数据是784个

x = tf.placeholder(tf.float32, [None, 784])#输入的数据占位符

y_actual = tf.placeholder(tf.float32, shape=[None, 10])#输入的标签占位符

权重和偏置初始化函数 

权重使用的truncated_normal进行初始化,stddev标准差定义为0.1

偏置初始化为常量0.1：

'''权重初始化函数'''

def weight_variable(shape): inital = tf.truncated_normal(shape, stddev=0.1) # 使用truncated_normal进行初始化

    return tf.Variable(inital)

'''偏置初始化函数'''

def bias_variable(shape): inital = tf.constant(0.1,shape=shape)

# 偏置定义为常量

    return tf.Variable(inital)

卷积函数 

strides[0]和strides[3]的两个1是默认值，中间两个1代表padding时在x方向运动1步，y方向运动1步

padding='SAME'代表经过卷积之后的输出图像和原图像大小一样

#定义一个函数，用于构建卷积层 

def conv2d(x, W):

    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

定义池化函数：

def max_pool(x):

  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

构建网络：

#构建网络

x_image = tf.reshape(x, [-1,28,28,1])        #转换输入数据shape,以便于用于网络中

W_conv1 = weight_variable([5, 5, 1, 32])     

b_conv1 = bias_variable([32])     

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)    #第一个卷积层

h_pool1 = max_pool(h_conv1)                                  #第一个池化层

W_conv2 = weight_variable([5, 5, 32, 64])

b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)      #第二个卷积层

h_pool2 = max_pool(h_conv2)                                  #第二个池化层

W_fc1 = weight_variable([7 * 7 * 64, 1024])

b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])              #reshape成向量

h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)    #第一个全连接层

keep_prob = tf.placeholder("float")

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)                  #dropout层

W_fc2 = weight_variable([1024, 10])

b_fc2 = bias_variable([10])

y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)  #softmax层

开始训练：

cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵

train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)    #梯度下降法

correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))   

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))                #精确度计算

sess=tf.InteractiveSession()                         

sess.run(tf.initialize_all_variables())

for i in range(20000):

  batch = mnist.train.next_batch(50)

  if i%100 == 0:                  #训练100次，验证一次

    train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0})

    print 'step %d, training accuracy %g'%(i,train_acc)

    train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})

test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})

print("test accuracy",test_acc)

运行结果：

效果还算不错。