tensorflow的基本用法(七)——使用MNIST训练神经网络

文章作者：Tyan
博客：noahsnail.com  |  CSDN  |  简书

本文主要是使用tensorflow和mnist数据集来训练神经网络。

#!/usr/bin/env python# _*_ coding: utf-8 _*_import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 下载mnist数据mnist = input_data.read_data_sets('MNIST_data', one_hot=True)# 定义神经网络模型的评估部分def compute_accuracy(W, b):    # 定义测试数据的placeholder    x = tf.placeholder(tf.float32, [None, 784])    # 定义测试数据的真实标签的placeholder    y_ = tf.placeholder(tf.float32, [None, 10])    # 定义预测值    y = tf.nn.softmax(tf.matmul(x, W) + b)    # 判断预测值y和真实值y_中最大数的索引是否一致，y的值为1-10概率    correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))    # 计算准确率    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))    # 输入测试数据，执行准确率的计算并返回    return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})# 定义神经网络模型的训练部分# 下面定义的神经网络只有一层W*x+b# 定义输入数据placeholder，不定义输入样本的数目——None，但定义每个样本的大小为784x = tf.placeholder(tf.float32, [None, 784])# 定义神经网络层的权重参数W = tf.Variable(tf.zeros([784, 10]))# 定义神经网络层的偏置参数b = tf.Variable(tf.zeros([10]))# 定义一层神经网络运算，激活函数为softmaxy = tf.nn.softmax(tf.matmul(x, W) + b)# 定义训练数据真实标签的placeholdery_ = tf.placeholder(tf.float32, [None, 10])# 定义损失函数，损失函数为交叉熵，reduction_indices表示沿着tensor的哪个纬度来求和cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))# 定义神经网络的训练步骤，使用的是梯度下降法，学习率为0.5train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)# 初始化所有变量init = tf.global_variables_initializer()# 定义Sessionsess = tf.Session()# 执行变量的初始化sess.run(init)# 迭代进行训练for i in range(1000):    # 取出mnist数据集中的100个数据    batch_xs, batch_ys = mnist.train.next_batch(100)    # 执行训练过程并传入真实数据x, y_    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})    if i % 100 == 0:        print compute_accuracy(W, b) 

执行结果如下：

Extracting MNIST_data/train-images-idx3-ubyte.gzExtracting MNIST_data/train-labels-idx1-ubyte.gzExtracting MNIST_data/t10k-images-idx3-ubyte.gzExtracting MNIST_data/t10k-labels-idx1-ubyte.gz0.40750.89480.90310.90740.90370.91250.91580.9120.91810.9169