minist問題

• 計算機視覺領域的Hello world
• 給定55000個圖片，處理成28*28的二維矩陣，矩陣中每個值表示一個畫素點的灰度，作為feature
• 給定每張圖片對應的字元，作為label，總共有10個label，是一個多分類問題

Tensor Flow

• 可以按教程用Docker安裝，也可以直接在Linux上安裝
• 你可能會擔心，不用Docker的話怎麼開那個notebook呢？其實notebook就在主講人的Github頁(https://github.com/random-forests/tutorials)上
• 可以用這個Chrome外掛:npviewer(https://chrome.google.com/webstore/detail/open-in-nbviewer/ihlhlehlibooakiicbiakgojckpnlali?hl=zh-CN)直接在瀏覽器中閱讀ipynb格式的檔案，而不用在本地啟動iPython notebook
• 我們的教程在這裡：ep7.ipynb(https://github.com/random-forests/tutorials/blob/master/ep7.ipynb)
• 把程式碼從ipython notebook中整理出來：tflearn_mnist.py(https://github.com/ahangchen/GoogleML/blob/master/src/tflearn_mnist.py)

程式碼分析

下載資料集

mnist = learn.datasets.load_dataset('mnist')

恩，就是這麼簡單，一行程式碼下載解壓mnist資料，每個img已經灰度化成長784的陣列，每個label已經one-hot成長度10的陣列

numpy讀取影象到記憶體，用於後續操作，包括訓練集（只取前10000個）和驗證集

data = mnist.train.images labels = np.asarray(mnist.train.labels, dtype=np.int32) test_data = mnist. test.images test_labels = np.asarray(mnist.test.labels, dtype=np.int32) max_examples = 10000 data = data[:max_examples] labels = labels[:max_examples]

視覺化影象

def display(i):

用matplotlib展示灰度圖

訓練分類器

提取特徵（這裡每個圖的特徵就是784個畫素值）

feature_columns = learn.infer_real_valued_columns_from_input(data)

建立線性分類器並訓練

classifier = learn.LinearClassifier(feature_columns=feature_columns, n_classes=10) classifier.fit(data, labels, batch_size=100, steps=1000)

注意要制定n_classes為labels的數量

• 分類器實際上是在根據每個feature判斷每個label的可能性，
• 不同的feature有的重要，有的不重要，所以需要設定不同的權重
• 一開始權重都是隨機的，在fit的過程中，實際上就是在調整權重

• 最後可能性最高的label就會作為預測輸出
• 傳入測試集，預測，評估分類效果

result = classifier.evaluate(test_data, test_labels)print result["accuracy"]

速度非常快，而且準確率達到91.4%

可以只預測某張圖，並檢視預測是否跟實際圖形一致

# here's one it gets right print ("Predicted %d, Label: %d" % (classifier.predict(test_data[0]), test_labels[0])) display(0) # and one it gets wrong print ("Predicted %d, Label: %d" % (classifier.predict(test_data[8]), test_labels[8])) display(8)

視覺化權重以瞭解分類器的工作原理

weights = classifier.weights_
a.imshow(weights.T[i].reshape(28, 28), cmap=plt.cm.seismic)

weight視覺化

從上圖可知：

1、這裡展示了8個張圖中，每個畫素點（也就是feature）的weights，

2、紅色表示正的權重，藍色表示負的權重

3、作用越大的畫素，它的顏色越深，也就是權重越大

4、所以權重中紅色部分幾乎展示了正確的數字

Next steps

• TensorFlow Docker images（https://hub.docker.com/r/tensorflow/tensorflow/）
• TF.Learn Quickstart（https://www.tensorflow.org/versions/r0.9/tutorials/tflearn/index.html）
• MNIST tutorial（https://www.tensorflow.org/tutorials/mnist/beginners/index.html）
• Visualizating MNIST（http://colah.github.io/posts/2014-10-Visualizing-MNIST/）
• Additional notebooks（https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/docker/notebooks）
• More about linear classifiers（https://www.tensorflow.org/versions/r0.10/tutorials/linear/overview.html#large-scale-linear-models-with-tensorflow）
• Much more about linear classifiers（http://cs231n.github.io/linear-classify/）
• Additional TF.Learn samples（https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/skflow）

Github工程地址 https://github.com/ahangchen/GoogleML