tensorflow-mnist手写数字识别

mnist数据集

数据集简介

mnist手写数字数据集分为训练集和测试集，其中训练集有60000张图片，测试集有10000张图片。每张图片都是灰度图像，像素取值范围从0~255，图片大小为28×28，并且每张图片都对应0~9中的一个数字。
更多关于mnist手写数字数据集的介绍，点这
图片例子如下：

图像质量问题

数据集中绝大部分图像都可以很轻松地辨别出是哪个数字，但仍存在一小部分图像很难分辨出数字。
图片例子如下：

显示图片

'''tensorflow version: 1.0.0'''from tensorflow.examples.tutorials.mnist import input_data# 以下是导入的input_data.py的代码from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport gzipimport osimport tempfileimport numpyfrom six.moves import urllibfrom six.moves import xrangeimport tensorflow as tffrom tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets# read_data_sets是一个函数，专门用来读取mnist数据集。# 其中这个函数将训练集分为两部分，55000张图片作为训练集，5000张图片作为验证集。

'''tensorflow version: 1.0.0'''# 将以下代码保存为py文件，修改数据集路径后可直接运行from tensorflow.examples.tutorials.mnist import input_dataimport matplotlib.pyplot as plt# data_dir是数据集的路径，注意四个文件应当在同一个文件夹中data_sets = input_data.read_data_sets('data_dir')# 分别输出训练集，验证集，测试集的图片数量print('number of images in training set: %d' % data_sets.train.num_examples)print('number of images in validation set: %d' % data_sets.validation.num_examples)print('number of images in testing set: %d' % data_sets.test.num_examples)# 显示图片image, label = data_sets.train.next_batch(2)print('label: %d' % label[1])plt.imshow(image[1].reshape(28, 28), cmap='gray')plt.axis('off')plt.show()# 这里解释下为什么显示image[1]而不显示image[0]# image[0]图片显示像数字3，但标签label却是7

tensorflow-mnist

官方tensorflow-mnist代码，点这
官方tensorflow-mnist教程，点这（需翻墙）

'''tensorflow version: 1.0.0'''# 将这份文件保存为mnist_fcn.pyimport mathimport tensorflow as tf# 图片大小是28 * 28IMAGE_PIXELS = 28 * 28# 类别10个，分别对应数字0~9NUM_CLASSES = 10# 这个函数是创建一个隐层# 参数分别表示隐层的名字，流入数据，隐层单元个数及激活函数# 如果不使用激活函数则为输出层def layer(name, data_in, shape, activate):    with tf.name_scope(name):        weights = tf.Variable(            tf.truncated_normal(shape, stddev=1 / math.sqrt(float(shape[0]))),            name='weights'            )        biases = tf.Variable(            tf.zeros([shape[1]]),            name='biases'        )        if activate is None:            # 注意网络的输出没有进行softmax            data_out = tf.matmul(data_in, weights) + biases        else:            data_out = activate(tf.matmul(data_in, weights) + biases)    return data_out# 定义网络结构# 参数分别表示输入图像，各隐层单元个数# 这个网络只有3个隐层，hidden_units = [x, y, z]，分别表示各隐层神经元个数# 返回预测的值# 计算损失的函数tf.nn.sparse_softmax_cross_entropy_with_logits# 需要输入原始预测的值，所以这里不用进行softmax# 以下简单说下什么是softmax# 通俗来说对每个样本预测的10个值，每个值都表示属于0~9的一个概率# 但原始输出的10个值有正有负，大小也不在0~1之间，不能表示概率# 所以需要进行softmax，对预测值归一化，使其满足概率的定义# !!!!!!!!!!注意这里不需要归一化!!!!!!!!!!def model(images, hidden_units):    data_out_h1 = layer(        name='hidden1',        data_in=images,        shape=[IMAGE_PIXELS, hidden_units[0]],        activate=tf.nn.relu    )    data_out_h2 = layer(        name='hidden2',        data_in=data_out_h1,        shape=[hidden_units[0], hidden_units[1]],        activate=tf.nn.relu    )    data_out_h3 = layer(        name='hidden3',        data_in=data_out_h2,        shape=[hidden_units[1], hidden_units[2]],        activate=tf.nn.relu    )    logits = layer(        name='softmax',        data_in=data_out_h3,        shape=[hidden_units[2], NUM_CLASSES],        activate=None    )    return logits# 定义损失函数# 参数分别是模型预测值，真实的值# 返回一个batch_size的平均损失def loss(logits, labels):    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(        labels=labels, logits=logits, name='cross_entropy'    )    return tf.reduce_mean(cross_entropy, name='loss')# 定义优化器# 参数分别是损失值，学习率# 这里采用梯度下降算法# 返回训练网络的操作def optimizer(loss, learning_rate):    opt = tf.train.GradientDescentOptimizer(learning_rate)    train_op = opt.minimize(loss)    return train_op# 定义评价函数# 参数分别是模型预测值，真实的值# 返回预测正确的个数# 比如说100张图片，预测正确80张，则返回80def evaluation(logits, labels):    correct = tf.nn.in_top_k(logits, labels, 1)    return tf.reduce_sum(tf.cast(correct, tf.int32))

'''tensorflow version: 1.0.0'''# 将这份文件保存为train_and_eval.py# 可直接运行，训练网络# 记得修改数据集的路径import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataimport mnist_fcn# 这个函数的作用是得到每次训练所需要的数据def fill_feed_dict(data_set, batch_size,                   images_pl, labels_pl):    images, labels = data_set.next_batch(batch_size)    feed_dict = {        images_pl: images,        labels_pl: labels    }    return feed_dict# 这个函数是每训练一定步数，就会在给定的数据集上测试性能# 比如在run_training函数中，每训练1000步# 会给出在训练集(training_set)，验证集(validation set)和测试集(testing set)# 样本总数，正确分类的样本数和精度def do_eval(sess, data_set, batch_size,            images_pl, labels_pl, eval_correct):    true_counts = 0    steps = data_set.num_examples // batch_size    num_examples = steps * batch_size    for step in range(steps):        feed_dict = fill_feed_dict(            data_set, batch_size,            images_pl, labels_pl        )        true_counts += sess.run(eval_correct, feed_dict=feed_dict)    precision = float(true_counts) / num_examples    print('Num examples: %d, num correct: %d, precision @ 1 : %.4f' %          (num_examples, true_counts, precision))def run_training(data_dir, batch_size, hidden_units,                 learning_rate, max_steps):    # 读入数据，这时候data_sets包含3个数据集    # 训练集，验证集和测试集    data_sets = input_data.read_data_sets(data_dir)    # 在默认的图中创建整个模型    with tf.Graph().as_default():        # 定义placeholder，用来向网络中传入数据        images_pl = tf.placeholder(            tf.float32, shape=(batch_size, mnist_fcn.IMAGE_PIXELS)        )        labels_pl = tf.placeholder(            tf.int64, shape=(batch_size)        )        # 图片输入网络，得到预测值        logits = mnist_fcn.model(images_pl, hidden_units)        # 得到损失        loss = mnist_fcn.loss(logits, labels_pl)        # 训练网络        train_op = mnist_fcn.optimizer(loss, learning_rate)        # 得到一个batch_size中正确分类的图片张数        eval_correct = mnist_fcn.evaluation(logits, labels_pl)        # 全局变量初始化，必备操作        init = tf.global_variables_initializer()        # 默认图传入Session中        sess = tf.Session()        # 初始化模型参数        sess.run(init)        for step in range(max_steps):            # 得到训练数据            feed_dict = fill_feed_dict(                data_sets.train, batch_size,                images_pl, labels_pl            )            # 训练网络，得到损失函数值            _, loss_value = sess.run([train_op, loss],                                     feed_dict=feed_dict)            # 每100步输出损失值            if step % 100 == 0:                print('step: %d  loss = %.3f' %                    (step, loss_value))            # 每1000步在3个数据集上进行评估操作            # 判断模型是否朝好的方向训练            if (step + 1) % 1000 == 0 or (step + 1) == max_steps:                print('Eval on training set')                do_eval(sess, data_sets.train, batch_size,                        images_pl, labels_pl, eval_correct)                print('Eval on validation set')                do_eval(sess, data_sets.validation, batch_size,                        images_pl, labels_pl, eval_correct)                print('Eval on test set')                do_eval(sess, data_sets.test, batch_size,                        images_pl, labels_pl, eval_correct)if __name__ == '__main__':    # 参数设定    run_training(data_dir='........',                 batch_size=100,                 hidden_units=[200, 400, 100],                 learning_rate=0.01,                 max_steps=50000)

数据集及代码下载

点这里！！！！！！