1. 程式人生 > >MNIST最基礎示例+註釋--tensorflow社群入門教程

MNIST最基礎示例+註釋--tensorflow社群入門教程

MNIST最基礎示例+註釋–tensorflow社群入門教程

MNIST最基礎示例+註釋–tensorflow社群入門教程

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

# 匯入mnist示例集
mnist = input_data.read_data_sets("./MNIST", one_hot=True)

# 佔位符的建立,先不包含任何資料,只是把空間定下來,None表示這一維度可以是任意長度
x = tf.placeholder("float", [None, 784
]) # y = W*x+b 矩陣的計算要構建好矩陣的維度 # Variable 表示可修改的張量,存在tensorflow的用於描述互動性操作的圖 W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) # 最簡單的模型 y = tf.nn.softmax(tf.matmul(x, W) + b) # 訓練模型 # 構建一個用來判斷離正確答案差距的函式(成本函式),這裡使用的是交叉熵(cross-entropy) y_ = tf.placeholder("float", [None, 10]) cross_entropy =
-tf.reduce_sum(y_ * tf.log(y)) # 梯度下降演算法 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 初始化操作 init = tf.initialize_all_variables() # 執行的時候需要再session中執行 sess = tf.Session() sess.run(init) # 訓練一千次 for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) # 一次隨機抓取100張圖片
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 訓練 # 評估模型 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 返回一組bool值 # 求平均值 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) # 有多種不同求平均值的方法 print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))