1、MNIST資料集簡介

　　首先通過下面兩行程式碼獲取到TensorFlow內建的MNIST資料集：

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./data/mnist', one_hot=True)

　　MNIST資料集共有55000（mnist.train.num_examples）張用於訓練的資料，對應的有55000個標籤；共有10000（mnist.test.num_examples）張用於測試的圖片的資料，同樣的有10000個標籤與之對應。為了方便訪問，這些圖片或標籤的資料都是被格式化了的。

　　MNIST資料集的訓練資料集（mnist.train.images）是一個 55000 * 784 的矩陣，矩陣的每一行代表一張圖片（28 * 28 * 1）的資料，圖片的資料範圍是 [0, 1]，代表畫素點灰度歸一化後的值。

　　訓練集的標籤（mnist.train.labels）是一個55000 * 10 的矩陣，每一行的10個數字分別代表對應的圖片屬於數字0到9的概率，範圍是0或1。一個標籤行只有一個是1，表示該圖片的正確數字是對應的下標值， 其餘是0。

　　測試集與訓練集的類似，只是資料量不同。

　　以下程式碼顯示部分MNIST訓練圖片的形狀及標籤：

import numpy as np
import
 
 matplotlib.pyplot as plot
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('./data/mnist', one_hot=True)
trainImages = mnist.train.images
trainLabels = mnist.train.labels

plot.figure(1, figsize=(4, 3))
for i in range(6):
    curImage = np.reshape(trainImages[i, :], (28, 28))
    curLabel 
 
= np.argmax(trainLabels[i, :])
    ax = plot.subplot(int(str(23) + str(i+1)))
    plot.imshow(curImage, cmap=plot.get_cmap('gray'))
    plot.axis('off')
    ax.set_title(curLabel)

plot.suptitle('MNIST')
plot.show()

　　上述程式碼輸出的MNIST圖片及其標籤：

 2、通過單層神經網路進行訓練

 1 def train(trainCycle=50000, debug=False):
 2     inputSize  = 784
 3     outputSize = 10
 4     batchSize  = 64
 5     inputs = tf.placeholder(tf.float32, shape=[None, inputSize])
 6 
 7     # x * w = [64, 784] * [784, 10]
 8     weights   = tf.Variable(tf.random_normal([784, 10], 0, 0.1))
 9     bias      = tf.Variable(tf.random_normal([outputSize], 0, 0.1))
10     outputs   = tf.add(tf.matmul(inputs, weights), bias)
11     outputs   = tf.nn.softmax(outputs)
12 
13     labels = tf.placeholder(tf.float32, shape=[None, outputSize])
14 
15     loss      = tf.reduce_mean(tf.square(outputs - labels))
16     optimizer = tf.train.GradientDescentOptimizer(0.1)
17     trainer   = optimizer.minimize(loss)
18 
19     sess = tf.Session()
20     sess.run(tf.global_variables_initializer())
21     for i in range(trainCycle):
22         batch = mnist.train.next_batch(batchSize)
23         sess.run([trainer, loss], feed_dict={inputs: batch[0], labels: batch[1]})
24 
25         if debug and i % 1000 == 0:
26             corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
27             accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
28             accuracyValue = sess.run(accuracy, feed_dict={inputs: batch[0], labels: batch[1]})
29             print(i, ' train set accuracy:', accuracyValue)
30 
31     # 測試
32     corrected = tf.equal(tf.argmax(labels, 1), tf.argmax(outputs, 1))
33     accuracy = tf.reduce_mean(tf.cast(corrected, tf.float32))
34     accuracyValue = sess.run(accuracy, feed_dict={inputs: mnist.test.images, labels: mnist.test.labels})
35     print("accuracy on test set:", accuracyValue)
36 
37     sess.close()

3、訓練結果

　　上述模型的最終輸出為：

由列印日誌可以看出，前期收斂速度很快，後期開始波動。最後該模型在訓練集上的正確率大概為90%，測試集上也差不多。精度還是比較低的，說明單層的神經網路在處理圖片資料上存在著很大的缺陷，並不是一個很好的選擇。