MNIST數字識別

參考：

mnist是乙個入門級的計算機視覺資料集，它包含各種手寫數字。

mnist資料集的官網是yann lecun』s website **

內容train-images-idx3-ubyte.gz: training set images (9912422 bytes)

訓練資料

train-labels-idx1-ubyte.gz: training set labels (28881 bytes)

訓練資料答案

t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)

測試資料

t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)

測試資料答案

正如前面提到的一樣，每乙個mnist資料單元有兩部分組成：一張包含手寫數字的和乙個對應的標籤。我們把這些設為「xs」，把這些標籤設為「ys」。訓練資料集和測試資料集都包含xs和ys，比如訓練資料集的是 mnist.train.images ，訓練資料集的標籤是 mnist.train.labels。

from tensorflow.examples
.tutorials
.mnist import input_data
mnist = input_data.read_data_sets("../../datasets/mnist_data/", one_hot=true)

print("training data size: ", mnist.train
.num_examples)
print("validating data size: ", mnist.validation
.num_examples)
print("testing data size: ", mnist.test
.num_examples)

輸出：

training data size: 55000 validating data size: 5000 testing data size: 10000

從上面**可以看出，通過read_data_sets函式生成的類會自動將mnist資料集劃分為train、validation和test三個資料集。其中train這個集合內有55000張，validation集合內有5000張，這兩個組成了訓練集。test集合內有10000張，這些來自mnist提供的測試資料集。

print("train images shape: ", mnist.train
.images
.shape)
print("train labels shape: ", mnist.train
.labels
.shape)
print("validation images shape: ", mnist.validation
.images
.shape)
print("validation labels shape: ", mnist.validation
.labels
.shape)
print("test images shape: ", mnist.test
.images
.shape)
print("test labels shape: ", mnist.test
.labels
.shape)

輸出：

train images shape:  (55000, 784)
train labels shape:  (55000, 10)
validation images shape:  (5000, 784)
validation labels shape:  (5000, 10)
test images shape:  (10000, 784)
test labels shape:  (10000, 10)

上面**可以看出，在mnist訓練資料集中，mnist.train.images 是乙個形狀為 [55000, 784] 的張量，第乙個維度數字用來索引，第二個維度數字用來索引每張中的畫素點。在此張量裡的每乙個元素，都表示某張裡的某個畫素的強度值，值介於0和1之間，它表示了顏色的深淺。其中0表示白色背景（background），1表示黑色前景（foreground）。

為了方便使用隨機梯度下降，可以從所有訓練資料中讀取一小部分作為乙個訓練的batch。如下**所示：

batch_size = 100
xs, ys = mnist.train
.next_batch(batch_size)    # 從train的集合中選取batch_size個訓練資料。
print("x shape:", xs.shape)                    
print("y shape:", ys.shape)

輸出：

x shape: (100, 784)
y shape: (100, 10)

MNIST數字識別

mnist手寫數字識別

MNIST手寫數字識別 tensorflow

DNN識別mnist手寫數字

MNIST數字識別

mnist手寫數字識別

MNIST手寫數字識別 tensorflow

DNN識別mnist手寫數字

相關推薦