基于Mnist数据集的单层神经元识别图像

其他 2020-01-22 10:29:51 阅读次数: 0

基于Mnist数据集的单层神经元识别图像

Mnist识别模糊手写数字

一，导入mnist数据集

简介mnist数据集（内含网盘数据集）：https://blog.csdn.net/RObot_123/article/details/103220099

手动下载网址（官网）：http://yann.lecun.com/exdb/mnist/
在这里插入图片描述

1.利用tensorflow下载mnist数据集

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

上面代码能自动下载mnist数据集到代码目录的“MNIST_data”文件夹下

2.查看数据集里的内容

print ('输入数据打印:',mnist.train.images)
print ('输入数据打印shape:',mnist.train.images.shape)

import pylab 
im = mnist.train.images[1]
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()


print ('输入数据打印shape:',mnist.test.images.shape)
print ('输入数据打印shape:',mnist.validation.images.shape)

输出信息如下：
在这里插入图片描述

序号 内容
1 解压数据集
2 打印解压的图片信息
3 打印图片shape
4 显示训练集中的图-序号1
5 打印测试数据集与验证数据shape

有关shape(形状)的介绍：https://blog.csdn.net/RObot_123/article/details/103102627

二，分析mnist样本特点定义变量

因为 输入的图片是55000×784个矩阵
所以 创建一个**[None,784]的占位符x和一个[None,10]的占位符y**
最后 用feed机制将图片和标签输入进去

import tensorflow as tf #导入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import pylab 

tf.reset_default_graph()
# 定义占位符
x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度长度 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 种类别

三，构建模型

1.定义学习参数

  • 定义权重变量W
  • 定义偏值变量b
# 定义学习参数
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

2.定义输出节点

  • softmax分类
pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

3.定义反向传播的结构

  • 损失函数：交叉熵函数
  • 设置学习率：0.01
  • 优化器：GradientDescentOptimizer（梯度下降算法）
# 损失函数
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))

#参数设置
learning_rate = 0.01
# 使用梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

四，训练模型并输出中间状态参数

  • 训练次数（迭代次数）：25
  • 设置批次量：100
  • 显示步长：1
  • 启用Session进行运算处理
training_epochs = 25
batch_size = 100
display_step = 1
#saver = tf.train.Saver()
#model_path = "log/521model.ckpt"

# 启动session
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())# Initializing OP

    # 启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 遍历全部数据集
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,
                                                          y: batch_ys})
            # Compute average loss
            avg_cost += c / total_batch
        # 显示训练中的详细信息
        if (epoch+1) % display_step == 0:
            print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))

    print( " Finished!")

输出信息：
在这里插入图片描述

五，测试模型

  • 输出（pred）与标签（y）进行比较
  • reduce_mean对corrcet_prediction求平均值
    # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

模型准确率：
在这里插入图片描述

六，保存模型

  • 建议saver和路径
  • 保存模型
saver = tf.train.Saver()
model_path = "log/mnisat_model.ckpt"

调用 saver

  	# Save model weights to disk
    save_path = saver.save(sess, model_path)
    print("Model saved in file: %s" % save_path)

输出信息：
在这里插入图片描述
实际保存状况：
在这里插入图片描述

七，读取模型

首先注释掉session会话后的代码，然后将如下代码添加到session里去

#读取模型
print("Starting 2nd session...")
with tf.Session() as sess:
    # Initialize variables
    sess.run(tf.global_variables_initializer())
    # Restore model weights from previously saved model
    saver.restore(sess, model_path)
    
     # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
    
    output = tf.argmax(pred, 1)
    batch_xs, batch_ys = mnist.train.next_batch(2)
    outputval,predv = sess.run([output,pred], feed_dict={x: batch_xs})
    print(outputval,predv,batch_ys)

    im = batch_xs[0]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()
    
    im = batch_xs[1]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()

在这里插入图片描述

八，完整代码

1.验证数据集（简略）

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

print ('输入数据打印:',mnist.train.images)
print ('输入数据打印shape:',mnist.train.images.shape)

import pylab 
im = mnist.train.images[1]
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()
print ('输入数据打印shape:',mnist.test.images.shape)
print ('输入数据打印shape:',mnist.validation.images.shape)

2.验证数据集2（较详细）

#导入mnist数据集
from tensorflow.examples.tutorials.mnist import input_data #从网上下载mnist数据集的模块
mnist = input_data.read_data_sets('MNIST_data/',one_hot = False) #从指定文件夹导入数据集的数据
#分析mnist数据集
print('输入训练数据集数据:',mnist.train.images) #打引导如数据集的数据
print('输入训练数据集shape:',mnist.train.images.shape) #打印训练数据集的形状
print('输入测试数据集shape:',mnist.test.images.shape) #用于评估训练过程中的准确度
print('输入验证数据集shape:',mnist.validation.images.shape) #用于评估最终模型的准确度
print('输入标签的shape:',mnist.train.labels.shape)
#展示mnist数据集
import pylab 
im = mnist.test.images[6] #train中的第六张图
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()

3.识别数据集模糊手写数字

import tensorflow as tf #导入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import pylab 

tf.reset_default_graph()
# tf Graph Input
x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 classes

# Set model weights
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 构建模型
pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

# Minimize error using cross entropy
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))

#参数设置
learning_rate = 0.01
# 使用梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

training_epochs = 25
batch_size = 100
display_step = 1
saver = tf.train.Saver()
model_path = "log/mnist_model.ckpt"

# 启动session
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())# Initializing OP

    # 启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 遍历全部数据集
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,
                                                          y: batch_ys})
            # Compute average loss
            avg_cost += c / total_batch
        # 显示训练中的详细信息
        if (epoch+1) % display_step == 0:
            print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))

    print( " Finished!")

    # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

    # Save model weights to disk
    save_path = saver.save(sess, model_path)
    print("Model saved in file: %s" % save_path)



##读取模型
#print("Starting 2nd session...")
#with tf.Session() as sess:
#    # Initialize variables
#    sess.run(tf.global_variables_initializer())
#    # Restore model weights from previously saved model
#    saver.restore(sess, model_path)
#    
#     # 测试 model
#    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
#    # 计算准确率
#    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
#    
#    output = tf.argmax(pred, 1)
#    batch_xs, batch_ys = mnist.train.next_batch(2)
#    outputval,predv = sess.run([output,pred], feed_dict={x: batch_xs})
#    print(outputval,predv,batch_ys)
#
#    im = batch_xs[0]
#    im = im.reshape(-1,28)
#    pylab.imshow(im)
#    pylab.show()
#    
#    im = batch_xs[1]
#    im = im.reshape(-1,28)
#    pylab.imshow(im)
#    pylab.show()

上文若有任何错误或不妥欢迎指出，谢谢！

吃饭第一名
发布了34 篇原创文章 · 获赞 9 · 访问量 3027
私信 关注

猜你喜欢

转载自blog.csdn.net/RObot_123/article/details/103218114
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
周排行
Python环境安装与基础语法（1）——计算机基础知识
IMU预积分
ADAS中的LDW、FCW、BSD、LCA、ACC、AEB、APA、DMS代表的含义
B站笔试两道题
skyeye arm 硬件虚拟机环境的搭建
Web前端静态页面示例
数组-合并排序数组 II-简单
springcloud之版本问题启动报错
面向对象-------------匿名对象(六)
输入URL到页面呈现中间发生了什么？
每日归档
更多
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022