TensorFlow练习（六）——Classification分类学习

分类和回归的区别在于输出变量的类型上。通俗理解定量输出是回归，或者说是连续变量预测；定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务；把东西分成几类, 比如猫狗猪牛，就是一个分类任务。

首先准备数据（MNIST库），MNIST库是手写体数字库，差不多是这样子的

数据中包含55000张训练图片，每张图片的分辨率是28×28，所以我们的训练网络输入应该是28×28=784个像素数据。

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt

# number 1 to 10 data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)  # 如果没有这个数据包会去网上帮你下载下来。

def add_layer(inputs,in_size,out_size,activation_function=None): # 输入值，输入的大小，输出的大小，激励函数
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))  #定义矩阵 随机变量生成初始的时候会比全0的好
    # 定义weights为一个in_size行, out_size列的随机变量矩阵
    biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)   # 推荐初始值不为0
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    # 当激励函数为None时，输出就是当前的预测值——Wx_plus_b
    # 不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。
    if activation_function is None:   # 线性关系，就不需要再加非线性方程
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

def compute_accuracy(v_xs,v_ys):
    global prediction  # 定义全局变量
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})  # 用xs生成预测值  1行10列，介于0、1之间的数
    correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1)) # 概率最大值的位置是不是等于真是数据中1的位置
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 计算这组数据到底多少对的多少错的
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result   # 输出百分比

xs = tf.placeholder(tf.float32,[None,784])  # 每一张图片有784个像素点
ys = tf.placeholder(tf.float32,[None,10])   # 有十个数字输出

# 调用add_layer函数搭建一个最简单的训练网络结构，只有输入层和输出层。
prediction = add_layer(xs,784,10,activation_function=tf.nn.softmax) # softmax用来做分类
# 其中输入数据是784个特征，输出数据是10个特征，激励采用softmax函数，网络结构图是这样子的

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),
                     reduction_indices=[1])) # loss函数（即最优化目标函数）选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
    # train方法采用梯度下降法  优化器    目标，最小化误差

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

for i in range(2000):
    batch_xs,batch_ys = mnist.train.next_batch(100)  # 现在开始train，从下载好的database每次只取100张图片，免得数据太多训练太慢。
    sess.run(train_step,feed_dict={xs:batch_xs,ys:batch_ys})
    if i % 50 ==0:
        print(compute_accuracy(mnist.test.images,mnist.test.labels))

plt.show()

神经网络结构图：

运行结果：

TensorFlow练习（六）——Classification分类学习

猜你喜欢