MLP手写识别

MNIST分类

作为数据挖掘工作中处理的最多的任务，分类任务占据了机器学习的大半江山，而一个网络结构设计良好（即隐层层数和每个隐层神经元个数选择恰当）的多层感知机在分类任务上也有着非常优越的性能，依然以MNIST手写数字数据集作为演示，上一篇中我们利用一层输入层+softmax搭建的分类器在MNIST数据集的测试集上达到93%的精度，下面我们使用加上一层隐层的网络，以及一些tricks来看看能够提升多少精度

from tensorflow.examples.tutorials.mnist import input_data

载入tensorflow

import tensorflow as tf
mnist = input_data.read_data_sets(“MNIST_data/”,one_hot = True)

将session注册为默认session

sess = tf.InteractiveSession()

输入节点数

in_units = 784

隐含层节点数

h1_units = 300

variable存储模型参数

Variable长期存在并且每轮更新

隐含层初始化为截断的正态分布，标准差为0.1

w1 = tf.Variable(tf.truncated_normal([in_units,h1_units],stddev = 0.1))

隐含层偏置用0初始化

b1 = tf.Variable(tf.zeros([h1_units]))

输出层用0初始化，且维数为10

w2 = tf.Variable(tf.zeros([h1_units,10]))
b2 = tf.Variable(tf.zeros([10]))

placeholder定义输入数据的地方

数据类型；[个数，数据维数]，none表示不限

x = tf.placeholder(tf.float32,[None,in_units])

dropout保留节点比率

dropout是防止过拟合的trick

keep_prob = tf.placeholder(tf.float32)

隐含层结构

relu激活函数是梯度弥散的trick

hidden1 = tf.nn.relu(tf.matmul(x,w1)+b1)

对隐含层输出进行dropout

hidden1_drop = tf.nn.dropout(hidden1,keep_prob)

输出层结构

y = tf.nn.softmax(tf.matmul(hidden1_drop,w2)+b2)

y_存储真实label

y_ = tf.placeholder(tf.float32,[None,10])

定义损失函数

reduce_sum求和，reduce_mean对每一个batch数据求均值

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices = [1]))

只要定义好优化目标（损失函数）和优化算法，tensorflow就会自动求导进行反向传播

train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)

全局参数初始化器

tf.global_variables_initializer().run()

前面只是定义了优化目标和优化算法，batch里必须feed数据才能进行训练

定义迭代次数和batch数据

for i in range(3000):
batch_xs,batch_ys = mnist.train.next_batch(100)
train_step.run({x:batch_xs,y_:batch_ys,keep_prob:0.75})

#测试
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print accuracy.eval({x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})