tensorflow自主学习入门-从零开始篇（二）tensorflow手写数字识别

keepython

距离上一次写tensorflow学习笔记已经有一段的时间了，原因不是期间中断了学习，而是tensorflow的学习曲线说实话还是相对陡峭的，如果没有对框架有自己个人的部分理解，难以输出有用的学习笔记（对其他学习者和自己）。但是这一期间我还是更新了几篇在学习tensorlfow以及它对应的可视化遇到的一些问题，以及对应的解决方案。具体可以看看我的其他文章，相信这也是这些问题的最新解决方案，对你或许有所帮助。

---

本文我将分享tensorflow最入门的mnist数据集的应用：手写数字的识别。这一部分我是将相关的知识都学习以后才分享的，但是这一次只是分享最简单的系统识别方案，所谓简单，就是实现的系统最后的准确率为92%，不带可视化，实战中少量的知识方便理解。

---

本文将分为这几个部分：

1. 数据部分
2. 代码部分（附有详细解释）
3. 你需要做到的部分

---

一 、数据部分

先来介绍我们使用的MNIST数据集(当然数据不需要你理解，甚至不用管它，你只先需要知道有这样的一回事)：
MNIST数据集是NIST数据集的子集，包含下面的四个文件：

1. train-labels-idx1-ubyte.gz ：训练集标记文件
2. train-images-idx3-ubyte.gz：训练集图片文件
3. t10k-labels-idx1-ubyte.gz :测试集标记文件
4. t10k-images-idx3-ubyte.gz ：测试集图片文件

可以看到，整个MNIST数据分为两部分：训练集与测试集
字面意思理解就是：用于训练模型的数据与用于测试模型的数据。

这一部分你需要理解的是：

• 每张图片是28x28像素的格式，可以理解为一张28x28的二维表，每一个像素由0-1的数字组成来说明它的颜色深浅（图片为黑白）也就是说，每一张图片表示为数据的形式: 一维：784 , 二维28x28

理解了它是什么，并不代表理解了它为什么是这样，这个暂时难以理解，任何事情都需要一点时间。

---

二、 代码部分

代码部分我会分为：模块化解释 与 代码集合（注意： 代码中所有单行注释都是解释下一行的代码）。

---

加载MNIST数据

tensorflow已经很贴心的将MNIST数据加入了源码之中，这一部分代码如下：

#下面这一句就是导入MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data 
import tensorflow as tf
#加载上面下载的数据“MNIST”指的是我们项目所在的路径

mnist  = input_data.read_data_sets("MNIST_data",one_hot=True)

one_hot 标记是值一个长度为n的数组，只有一个元素是1.0，其余元素是0.0，使用one_Hot的直接原因是，我们使用0-9个类别的输出层是softmax层，它的输出是一个概率分布，要求输入的标记也应该以概率分布的形式出现，进而可以计算交叉熵 。

---

构建回归模型

直接上代码：

#定义回归模型

x = tf.placeholder(tf.float32,[None,784])
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x,w) + b

#定义损失函数和优化器
y_ = tf.placeholder(tf.float32,[None,10])#输入的真是值的占位符

#我们用tf.nn.softmax_cross_entropy_with_logits来计算预测值与真是值y_的差值，并取均值
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y,labels=y_))
#可以看作损失函数，损失函数最小，预测值就越接近真实值

#注意：tf.nn.softmax_cross_entropy_with_logits在tensorflow1.0以上的版本需要这样处理数据：logits=y, labels=y_

#采用SGD(tensorflow封装好的梯度下降法)作为优化器，学习率为0.5（也就是参数改变的快慢）
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

说到底，我们训练的目的就是找到一个合适的weight权值以及biases（不管是一维数据还是二维数据）。所以，你可以注意到w 与 b 都是Variable ,而我们需要输入的x 与 y_(注意y_与y不同着重区分)是placeholder（英文意思：占位符）

---

构建评估模型

模型构建完成后我们需要一定的评估系统来测试模型的准确率

#评估训练好的模型
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))#计算预测值和真实值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#布尔型转化为浮点数，并且取平均值，得到准确率
#计算模型在测试集上的准确率

---

开始训练模型

我们已经设置好了所需要的所有模型，tensorflow中所有的变量都需要进行初始化，所以，在训练之前我们需要开启会话并且初始化我们创建的变量。

#这里使用InteractiveSession（）来创建交互式上下文的tensorflow会话
#与常规会话不同的是，交互式的会话称为默认会话
#方法（如tf.Tensor.eval和tf.Operation.run()都可以使用改会话来运行操作（op））
sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)

然后循环训练模型1000次每10次输出模型训练结果，每次循环抓取训练数据中100个数据点，代替之前的占位符。

#Train
for i in range(1001):
    bath_xs,bath_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:bath_xs,y_:bath_ys})

    if i %10 == 0:
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
        print("Iter " + str(i) + ",Testing Accuracy " + str(acc))
print('训练完成')

---

以上就是代码部分所有的内容，接下来我会将代码部分汇总，确保各位复制粘贴以后可以运行参考，上代码：

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
#加载数据
mnist  = input_data.read_data_sets("MNIST_data",one_hot=True)
#定义回归模型

x = tf.placeholder(tf.float32,[None,784])
w = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x,w) + b

#定义损失函数和优化器
y_ = tf.placeholder(tf.float32,[None,10])#输入的真是值的占位符

#我们用tf.nn.softmax_cross_entropy_with_logits来计算预测值与真是值y_的差值，并取均值
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y,labels=y_))#可以看作损失函数
#注意：tf.nn.softmax_cross_entropy_with_logits在1.0以上的版本需要这样处理数据：logits=y,labels=y_
#采用SGD作为优化器
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#这里使用InteractiveSession（）来创建交互式上下文的tensorflow会话
#与常规会话不同的是，交互式的会话称为默认会话
#方法（如tf.Tensor.eval和tf.Operation.run()都可以使用改会话来运行操作（op））
sess = tf.InteractiveSession()

#评估训练好的模型
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))#计算预测值和真实值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#布尔型转化为浮点数，并且取平均值，得到准确率
#计算模型在测试集上的准确率
init = tf.global_variables_initializer()
sess.run(init)

#Train
for i in range(1001):
    bath_xs,bath_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:bath_xs,y_:bath_ys})

    if i %10 == 0:
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
        print("Iter " + str(i) + ",Testing Accuracy " + str(acc))
print('训练完成')

三、 你需要做到的部分

注意，如果你无法理解这里面的一些点。没有关系，正如我上面说的tensorflow的学习曲线非常陡峭。所以，如果你能够做到一下几点就非常好了，剩下的不能理解的，正如我所说的，不要放弃，然后交给时间。

1. 保证代码能在你的机器上正常运行
2. 知道MNIST数据集是怎么一回事
3. 对tensorflow保持信心，不懂的点立即去问（面向google、csdn、github的学习方法）。

---

最后，我希望大家有问题可以私信问我，我会很愿意帮你解答，毕竟，这就是在以一种很有效率的方式帮助我的学习，加深我对它的理解。

希望本文对你有所帮助，接下来我会更新加入tensorboard可视化的文章以及优化部分模块，将识别准确率提升到99%以上的文章。

yushangwl

emmmm，感觉不错

tiangolden

你好，有关于这个的电子书资料吗？能否发个链接，多谢

aq021810

你好，有关于这个的电子书资料吗？能否发个链接，多谢

keepython

有的，我会放在电子书区，谢谢大家的支持
https://www.52pojie.cn/forum.php?mod=viewthread&tid=1011124&page=1&extra=#pid27502449

那颗星

很棒，谢谢！！！