Tensorflow #1 祖傳例子 MNIST 手寫識別
Tensorflow自帶的那個MNIST任務其實挺好用的，之前使用最簡單的方法去做，記得正確率應該是92%附近？
其實那個例子是用來熟悉Tensorflow的，算是一個對Tensorflow的熟悉吧，而最近也在看RNN，並且正好看到了這個RNN的例子，因此特別的讀了下原始碼，並且提供了相關的註釋。

如果有問題請留言就好，目前也不是特別熟悉，難免遇到問題。

這個程式總體來說，還是MNIST任務，如果有疑惑可以看我附上上一篇，或者文章最後我直接複製過來的那些。

正確率大約在96%~97%

from tensorflow.examples.tutorials.mnist import
 
 input_data
import tensorflow as tf
import numpy as np
#在這裡做資料載入，還是使用那個MNIST的資料，以one_hot的方式載入資料，記得目錄可以改成之前已經下載完成的目錄
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

'''
MNIST的資料是一個28*28的影象，這裡RNN測試，把他看成一行行的序列（28維度（28長的sequence）*28行）
'''

# RNN學習時使用的引數
learning_rate = 0.001
training_iters = 100000
batch_size = 128
 

display_step = 10

# 神經網路的引數
n_input = 28  # 輸入層的n
n_steps = 28  # 28長度
n_hidden = 128  # 隱含層的特徵數
n_classes = 10  # 輸出的數量，因為是分類問題，0~9個數字，這裡一共有10個

# 構建tensorflow的輸入X的placeholder
x = tf.placeholder("float", [None, n_steps, n_input])
# tensorflow裡的LSTM需要兩倍於n_hidden的長度的狀態，一個state和一個cell
# Tensorflow LSTM cell requires 2x n_hidden length (state & cell)
 

istate = tf.placeholder("float", [None, 2 * n_hidden])
# 輸出Y
y = tf.placeholder("float", [None, n_classes])

# 隨機初始化每一層的權值和偏置
weights = {
    'hidden': tf.Variable(tf.random_normal([n_input, n_hidden])),  # Hidden layer weights
    'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
    'hidden': tf.Variable(tf.random_normal([n_hidden])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}

'''
構建RNN
'''
def RNN(_X, _istate, _weights, _biases):
    # 規整輸入的資料
    _X = tf.transpose(_X, [1, 0, 2])  # permute n_steps and batch_size

    _X = tf.reshape(_X, [-1, n_input])  # (n_steps*batch_size, n_input)
    # 輸入層到隱含層，第一次是直接運算
    _X = tf.matmul(_X, _weights['hidden']) + _biases['hidden']
    # 之後使用LSTM
    lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden, forget_bias=1.0)
    # 28長度的sequence，所以是需要分解位28次
    _X = tf.split(0, n_steps, _X)  # n_steps * (batch_size, n_hidden)
    # 開始跑RNN那部分
    outputs, states = tf.nn.rnn(lstm_cell, _X, initial_state=_istate)

    # 輸出層
    return tf.matmul(outputs[-1], _weights['out']) + _biases['out']


pred = RNN(x, istate, weights, biases)

# 定義損失和優化方法，其中算是為softmax交叉熵，優化方法為Adam
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))  # Softmax loss
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)  # Adam Optimizer

# 進行模型的評估，argmax是取出取值最大的那一個的標籤作為輸出
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# 初始化
init = tf.initialize_all_variables()

# 開始執行
with tf.Session() as sess:
    sess.run(init)
    step = 1
    # 持續迭代
    while step * batch_size < training_iters:
        # 隨機抽出這一次迭代訓練時用的資料
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        # 對資料進行處理，使得其符合輸入
        batch_xs = batch_xs.reshape((batch_size, n_steps, n_input))
        # 迭代
        sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys,
                                       istate: np.zeros((batch_size, 2 * n_hidden))})
        # 在特定的迭代回合進行資料的輸出
        if step % display_step == 0:
            # Calculate batch accuracy
            acc = sess.run(accuracy, feed_dict={x: batch_xs, y: batch_ys,
                                                istate: np.zeros((batch_size, 2 * n_hidden))})
            # Calculate batch loss
            loss = sess.run(cost, feed_dict={x: batch_xs, y: batch_ys,
                                             istate: np.zeros((batch_size, 2 * n_hidden))})
            print "Iter " + str(step * batch_size) + ", Minibatch Loss= " + "{:.6f}".format(loss) + \
                  ", Training Accuracy= " + "{:.5f}".format(acc)
        step += 1
    print "Optimization Finished!"
    # 載入測試集進行測試
    test_len = 256
    test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
    test_label = mnist.test.labels[:test_len]
    print "Testing Accuracy:", sess.run(accuracy, feed_dict={x: test_data, y: test_label,
                                                             istate: np.zeros((test_len, 2 * n_hidden))}

MNIST這個Demo感覺已經是遍地都是了，在這裡也是，就是最簡單的手寫數字識別，輸入理論上是一個寫了數字的影象作為測試資料，這裡測試資料轉化成的文字矩陣了（28*28=784 維），我們可以通過在python環境中執行如下程式碼自動獲取資料，程式碼執行完會在對應的資料夾儲存好資料，如果需要可以自定義地址：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

MNIST的資料集，共有三部分：
55,000 points 訓練集 (mnist.train), 10,000 points 測試集 (mnist.test), 5,000 驗證集 （mnist.validation).

與之同時，由於其是一個有監督的學習任務，所以還有對應的標籤（也就是影象對應的真實數字），這部分位於（mnist.train.labels），標籤也是以one-hot的方式表示，即這個向量共有10維，第I個位1就是證明這個Label是I