tensorflow（4）Softmax函数 手写体识别 交叉熵代价函数 二次代价函数

1.Mnist介绍

• 训练集数据+训练集标签6万
• 测试集数据+测试集标签1万

• 每张：28*28，转化为一个向量=28*28=784,所以得到训练集大小：60000*784的张量。某个像素值是0~1之间。
  

• one-hot vector：3=[0,0,0,1,0,0,0,0,0,0]表示标签，训练集的标签是一个矩阵【60000,10】
  

• 神经网络（只有输入层1个和输出层10个）
  

2.Softmax函数

3.手写体识别

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径：
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)

#每个批次100张照片 每个批次的大小
batch_size = 100

#计算一共有多少个批次 （整除符号）
n_batch = mnist.train.num_examples // batch_size

#定义两个placeholder，None=100批次
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络（这里只是2层）
#输入层784个神经元，输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)#得到很多概率（对应标签的10个概率）

#二次代价函数（如果输出神经元是线性的，适合用二次代价函数）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17% 
#在训练过程中 调整参数比较合理，收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用梯度下降法（0.2的学习率）
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()


#定义一个求准确率的方法
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1  就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型  显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.Session() as sess:
    sess.run(init)
    #迭代21个周期
    for epoch in range(20):#每个图片训练21次
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            #把训练数据feed数据喂给网络
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            #把测试数据feed数据喂给网络
        acc = sess.run(accuracy,feed_dict = {x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))

4.模型需优化处：
在不使用LSTM、CNN网络的情况下，修改哪些参数可以将结果准确率提高到95%以上？

1. batch_size的大小的修改
2. 隐层设置（包括隐层神经元个数，激活函数的设置）
3. 权值的初始值的设置
4. 代价函数的设置（代码中已经体现，当输出神经元是线性的：二次代价函数；当输出神经元是S型的：交叉熵代价函数）不同的代价函数，输出结果的精确度不同，显然，手写体是S型，更适用交叉熵代价函数，准确度提升了若干百分点
5. 学习率的参数修改
6. 训练方法的修改（这里是梯度下降法，或者别的方法）
7. 训练次数 epoch的修改