TensorFlow入门_2_mnist数据集训练与相关函数解释

1.全部代码

from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets('E:\img\mnist', one_hot=True)
n_batch = mnist.train.num_examples
print(n_batch)


with tf.name_scope("input"):
    x = tf.placeholder(tf.float32,[None,784],name = 'x-input')
    y = tf.placeholder(tf.float32,[None,10],name = "y-input")

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

prediction = tf.nn.softmax(tf.matmul(x,W)+b)

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels = y,logits = prediction))
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)


c_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
accuracy = tf.reduce_mean(tf.cast(c_prediction,tf.float32))

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(300):
        batch_x,batch_y = mnist.train.next_batch(100)
        sess.run(train_step,feed_dict={x:batch_x,y:batch_y})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter {}, Testing Acc : {}".format(epoch,acc))

2.准备数据

from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets('E:\img\mnist', one_hot=True)
print(n_batch)
'''输出：
Extracting E:\img\mnist\train-images-idx3-ubyte.gz
Extracting E:\img\mnist\train-labels-idx1-ubyte.gz
Extracting E:\img\mnist\t10k-images-idx3-ubyte.gz
Extracting E:\img\mnist\t10k-labels-idx1-ubyte.gz
55000
'''

3.定义变量

输入变量（图片和标签）

x = tf.placeholder(tf.float32,[None,784])#input
y = tf.placeholder(tf.float32,[None,10])#output

placeholder翻译过来是占位符的意思，mnist数据集单张图片是一维通道的灰度图，28*28*1=784，数字0-9共10个，上面两行代码的意思就是声明输入变量，其中x是长度为784的一维变量，y是长度为10的一维变量，代表图片代表的数字是几（0-9）

placeholder 参数详解

变量

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

定义两个变量，初始值是通过tf.zeros()生成，这里W和b分别是784*10和1*10的向量

预测值和loss

predictionon = tf.nn.softmax(tf.matmul(x,W)+b)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels = y,logits = prediction))

tf.nn.softmax是分类器，公式是
这里写图片描述
即将一堆向量得到一个总和为1的向量，在mnist训练中，将返回一个1*10的向量（和为1）

tf.nn.softmax_cross_entropy_with_logits_v2是求交叉熵，也就是求信息的不确定性，返回的是一个值均为负的向量，而loss是一个单独的值，所以还需要将这个向量按一定权重集合，就需要嵌套一个函数

tf.reduce_mean是求出所给参数的平均值，与之类似的还有tf.reduce_max，tf.reduce_sum…等

预测结果与准确率

c_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
accuracy = tf.reduce_mean(tf.cast(c_prediction,tf.float32))

tf.equal判断是否相等，上文代码是将y（真实结果）与prediction（预测结果）是否相等，返回一系列bool值[False,True,False...]

tf.cast是将参数1的值转为参数2的类型（只要能转换），上文代码是将返回的bool值变为float类型（1与0），再通过 tf.reduce_mean() 求平均值，得到的结果显而易见，即为准确率

4.初始化与训练

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(300):
        batch_x,batch_y = mnist.train.next_batch(100)
        sess.run(train_step,feed_dict={x:batch_x,y:batch_y})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter {}, Testing Acc : {}".format(epoch,acc))

以上只是定义了一部分变量，但是要使用，需要一个初始化的过程，也就是之前做的只是生成了一堆静态的元素（或流程），而要让它动起来，需要初始化，tf.global_variables_initializer()就是生成一个初始化所有变量的初始化器，（这个初始化器同样也是静态的，需要run()调用才能完成初始化过程）

tf.Session()表示开启一段会话，在会话开启的过程中可以让整个图动起来，也就是让会话run起来。
在一开始，sess.run(init)调用了初始化方法，初始化了所有的变量后，就可以run其他的变量了，在run的过程中，所有与run的元素相关的元素都会跑起来

#train_step涉及的loss,x,y,W,b...都会一起参与运算
sess.run(train_step,feed_dict={x:batch_x,y:batch_y})
#accuracy涉及的c_prediction,y,prediction会参与运算
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})

通过案例来分析一个模块的用法是我比较喜欢的方式，但有时候可能会局限于某个点而不够全面，这个时候可能就需要在了解到一定程度后去深入的学习了