Notas de estudio de Tensorflow: reconocimiento de dígitos escritos a mano

Utilice el marco de trabajo de tensorflow para construir una red neuronal completamente conectada para reconocer números escritos a mano. Espero que sea útil para todos.

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 获取数据集
# one_hot设置为True，将标签数据转化为0/1，如[1,0,0,0,0,0,0,0,0,0]
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)

# 定义一个批次的大小
batch_size=100
n_batch=mnist.train.num_examples//batch_size

# 定义两个placeholder
# 行数值为None，None可以取任意数，本例中将取值100，即取决于pitch_size
# 列数值为784，因为输入图像尺寸已由28*28转换为1*784
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

# 定义两个变量
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))

# 定义一个神经网络
# softmax的作用是将tf.matmul(x,w)+b的结果转换为概率值，举例如下：
# [9,2,1,1,2,1,1,2,1,1]
# [0.99527,0.00091,0.00033,0.00033,0.00091,0.00033,0.00033,0.00091,0.00033,0.00033]
prediction=tf.nn.softmax(tf.matmul(x,w)+b)

# 定义损失函数
loss=tf.reduce_mean(tf.square(y-prediction))

# 定义优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)

# 定义模型，优化器通过调整loss里的参数，使loss不断减小
train=optimizer.minimize(loss)

# 统计准确率
# tf.argmax返回第一个参数中最大值的下标
# tf.equal比较两个参数是否相等，返回True或False
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
# tf.cast将布尔类型转换为浮点类型
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
	sess.run(tf.global_variables_initializer())
	# epoch为周期数，所有批次训练完为一个周期
	for epoch in range(20):
		for batch in range(n_batch):
			# 每次取出batch_size条数据进行训练
			batch_xs,batch_ys=mnist.train.next_batch(batch_size)
			sess.run(train,feed_dict={
    
    x:batch_xs,y:batch_ys})
		acc = sess.run(accuracy,feed_dict={
    
    x:mnist.test.images,y:mnist.test.labels})
		print('epoch=',epoch,' ','acc=',acc)

Información de versión:
SO: Win7 64-bit o Win10 64-bit
python: 3.6.x
tensorboard: 1.6.0
tensorflow: 1.4.0
tensorflow-tensorboard: 0.4.0
Observaciones: tensorflow-tensorboard0.4.0 se instala automáticamente cuando tensorflow 1.4.0. 0 está instalado
## ########################################### # #
Después de descomprimir el archivo MNIST_data y colocarlo en la misma carpeta que el archivo Python, se puede usar. El enlace de descarga del archivo MNIST_data:
enlace: https://pan.baidu.com/s/1k65qXdFhmy_9SBlrBQ9H5A
Código de extracción: 81im
# ####### #########################################

resultado de la operación: