Tensorflow visualización MNIST escrita a mano la formación digital

[Descripción]

　　Cuando aprendemos un lenguaje de programación, a menudo el primer programa es imprimir "Hola mundo", después de la plataforma de aprendizaje de la inteligencia artificial, el applet de "Hello World" es MNIST escrita a mano entrenada digital. MNIST es un conjunto escrito a mano el número de datos, sitio web oficial Yann LeCun - que APOS sitio web . conjunto de datos contiene un total de 60.000 conjuntos de líneas de datos de entrenamiento ( mnist.train) y 10.000 filas de conjuntos de datos de prueba ( mnist.test), cada número es el tamaño de 28 * 28 píxeles. Mediante el uso de Tensorflow plataforma de inteligencia artificial, podemos aprender cómo artificial plataforma de aprendizaje de inteligencia para aprender a través de los datos.

[Preparación de datos]

　　Descargar juegos mnist datos y mnist_10k_sprite.png imágenes, respectivamente, en las carpetas y la carpeta MNIST_data proyector / datos.

 

[Código]

tensorflow TF AS Importación 
de Importación tensorflow.examples.tutorials.mnist capturar_datos 
de tensorflow.contrib.tensorboard.plugins importación de proyector 

# conjunto de datos Carga 
= MNIST input_data.read_data_sets ( "MNIST_data /", one_hot = true) 
# número de carreras 
max_steps = 1001 
número de la foto # 
IMAGE_NUM = 3,000 
archivo # ruta 
DIR = "E: / Github / TensorFlow / tronco / Test /" 

# define sesión 
sess = tf.Session () 

# cargar la imagen de 
la incrustación = tf.Variable (tf.stack (mnist. test.images [: IMAGE_NUM]), entrenable = False, nombre = 'incrustación que') 

# parámetro Resumen 
variable_summaries DEF (var): 
    con tf.name_scope ( 'Síntesis'): 
        Mean tf.reduce_mean = (var) 
        tf.summary. escalar ( 'media',valor medio aritmético) #
        tf.name_scope con ( 'STDDEV'): 
            STDDEV = tf.sqrt (tf.reduce_mean (tf.square (var - Mean))) 
        tf.summary.scalar ( 'STDDEV', STDDEV) # desviación estándar 
        tf.summary.scalar ( 'max', tf.reduce_max (var )) # máximo 
        tf.summary.scalar ( 'min', tf.reduce_min ( var)) # mínimo 
        tf.summary.histogram ( 'histograma', var) # histogramas 

# espacio de nombres 
con tf.name_scope ( 'iNPUT'): 
    # ninguno en el presente documento denota una dimensión puede ser de cualquier longitud 
    x = tf.placeholder (tf.float32, [ninguno , 784], el nombre = 'x-entrada' ) 
    # etiquetas correctas 
    Y = tf.placeholder (tf.float32, [Ninguno, 10], name = 'INPUT-Y') 

de imagen # pantalla 
con tf.name_scope ( 'input_reshape'): 
    image_shaped_input tf.reshape = (X, [-1, 28, 28, 1])
    tf.summary.image ( 'entrada', image_shaped_input, 10) 
con tf.name_scope (' pérdida): 
    #交叉熵代价函数
    pérdida = tf.reduce_mean (tf.nn.softmax_cross_entropy_with_logits (etiquetas = y,logits = predicción))

con tf.name_scope ( 'capa'): 
    #创建一个简单神经网络
    con tf.name_scope ( 'pesos'): 
        W = tf.Variable (tf.zeros ([784,10]), name = 'W') 
        variable_summaries (W) 
    con tf.name_scope ( 'sesgos'): 
        b = tf.Variable (tf.zeros ([10]), name = 'b') 
        variable_summaries (b) 
    con tf.name_scope ( 'wx_plus_b'): 
        wx_plus_b = tf.matmul (x, W) + b 
    con tf.name_scope ( 'softmax'):     
        predicción = tf.nn.softmax (wx_plus_b) 

    tf.summary.scalar ( 'pérdida', pérdida) 
con tf.name_scope ( 'tren' ): 
    #使用梯度下降法
    train_step = tf.train.GradientDescentOptimizer (0.5) .minimize (pérdida) 

#初始化变量
sess.run (tf.global_variables_initializer ()) 

con tf.name_scope ( 'exactitud'): 
    con tf.name_scope ( 'correct_prediction'): 
        # tienda el resultado en una lista de Boole 
        correct_prediction = tf.equal (tf.argmax (y , 1), tf.argmax (predicción, 1)) # argmax posición de retorno, donde el valor máximo entre la cantidad de una hoja de una sola dimensión 
    con tf.name_scope ( 'exactitud'): 
        # exactitud necesaria 
        exactitud = tf.reduce_mean (tf.cast (correct_prediction , tf.float32)) # correct_prediction se convierte en el tipo float32 
        tf.summary.scalar ( 'precisión', Precisión) 

# genera archivo de metadatos 
    TF .gfile.DeleteRecursively (+ el DIR 'proyector / proyector / metadata.tsv') 
con Open (el DIR + 'proyector / proyector / metadata.tsv', 'W') Como f:
si tf.gfile.Exists (DIR + 'proyector / proyector / metadata.tsv'): 
embed.metadata_path = DIR + 'proyector / proyector / metadata.tsv' 
embed. sprite.image_path = DIR + 'proyector / data / mnist_10k_sprite.png' 
embed.sprite.single_image_dim.extend ([28,28])
    etiquetas = sess.run (tf.argmax (mnist.test.labels [:], 1)) 
    para i en el rango de (image_num):    
        f.write (STR (etiquetas [i]) + '\ n')         
        
#合并所有resumen的
fusionó = tf.summary.merge_all ()    


projector_writer = tf.summary.FileWriter ( 'proyector / proyector DIR +, sess.graph) 
protector = tf.train.Saver () 
config = projector.ProjectorConfig () 
embed = config .embeddings.add () 
embed.tensor_name = embedding.name
projector.visualize_embeddings (projector_writer, config) 

para i en el rango de (max_steps): 
    #每个批次100个样本
    batch_xs, batch_ys = mnist.train.next_batch (100) 
    run_options = tf.RunOptions (trace_level = tf.RunOptions.FULL_TRACE) 
    run_metadata = tf.RunMetadata () 
    sess.run (train_step, feed_dict = {x: batch_xs, Y: batch_ys}, opciones = run_options, run_metadata = run_metadata) 
    resumen = sess.run (fusionada, feed_dict = {x: batch_xs, y: batch_ys}, opciones = run_options, run_metadata = run_metadata) 
    projector_writer.add_run_metadata (run_metadata, 'paso% 03d' % i) 
    projector_writer.add_summary (resumen, i) 
    
    si i% 100 == 0: 
        acc = sess.run (precisión, feed_dict = {x: mnist.test.images, Y: mnist.test.labels})
        imprimir ( "Iter" + str (i) + "la prueba de precisión =" + str (acc)) 

saver.save (sess, DIR + 'proyector / proyector / a_model.ckpt', global_step = max_steps) 
projector_writer.close () 
sess.close ()

 [Ejecutar]

　　Ejecutar el código directamente

[] Interfaz de Visual

　　1, el comando cmd entrada de línea tensorboard --logdir = progector carpeta de la ruta;

　　2. Abra su navegador a http: // localhost: 6006 de ruta para ver las visualizaciones.

 

modo de adquisición de la fuente, el número total de la atención pública RaoRao1994, maravillosa vista a la etapa - todos los artículos, usted puede obtener los recursos de enlace de descarga

Obtener más recursos, por favor preste atención al público el número total de RaoRao1994