1:設計演算法來訓練模型
對於處理這種多分類任務,通常用softmax regression。工作原理就是對每一種類別估計乙個概率,然後取概率最大的類別作為模型的輸出結果。
2:定義乙個loss function來描述模型對問題的分類精度
對多分類問題通常用cross-entropy作為loss function。loss越小,代表與模型的分類結果與真實值的偏差越小,訓練的目的就是不斷減小loss,直到達到乙個全域性最優或區域性最優解。
3:定義乙個優化演算法即可開始訓練
採用最常見的隨機梯度下降sgd(stochastic gradient descent),定義好後tensorflow會自動求導並根據反向傳播進行訓練,在每輪迭代時更新引數來減小loss。
4:全域性初始化
5:迭代的執行訓練
隨機選一部分樣本feed給placeholder,稱為隨機梯度下降。大多數情況下,這比全樣本訓練的收斂速度快很多。
6:對準確率進行評測
對比**概率最大的和真實樣本類別,相同為true,不同為false。然後由bool值轉換為float值再求平均即為準確率。
# -*- coding: utf-8 -*-
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
#1定義函式
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1)
return tf.variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.variable(initial)
def conv2d(x,w):
return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='same')
def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize = [1,2,2,1],strides=[1,2,2,1],padding='same')
#2定義輸入輸出,佔位符
x = tf.placeholder("float", shape=[none, 28*28])
y_ = tf.placeholder("float", shape=[none, 10])
keep_prob = tf.placeholder(tf.float32)
x_image = tf.reshape(x,[-1,28,28,1])#重置成28*28*1
#3搭建網路,定義演算法
w_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)#28*28*32
h_pool1 = max_pool_2x2(h_conv1)#14*14*32
w_conv2 = weight_variable([5,5,32,64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)#14*14*64
h_pool2 = max_pool_2x2(h_conv2) #7*7*64
w_fc1 = weight_variable([7*7*64,1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])#重置成1行
f_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)#1*1*1024
h_fc1_drop = tf.nn.dropout(f_fc1,keep_prob)
w_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2)+b_fc2)#1*1*10
#4優化:用adam
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
#5正確率,初始化所有變數
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess = tf.interactivesession()
sess.run(tf.initialize_all_variables())
#6訓練
for i in range(2000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict=)
print ("step %d, training accuracy %g"%(i, train_accuracy) )
train_step.run(feed_dict=)
print( "test accuracy %g"%accuracy.eval(feed_dict=))
kaggle練習 手寫體識別
coding utf 8 created on sun apr 22 10 25 14 2018 author zhangsh import csv import numpy as np from sklearn.neighbors import kneighborsclassifier list ...
tensorflow 之手寫體識別
原因 由於tensorflow相對於caffe更加靈活,準備轉戰tensorflow,昨天看了下大概的基本函式,今天打算先跑跑簡單的例子 tensorflow的安裝太簡單了,一行 搞定,網上很多教程,不一一列出。想安裝固定tensorflow版本 pip install tensorflow gpu...
KNN手寫體數字識別
思路 首先這是乙個通過knn分類來完成的數字識別,資料集的格式全部是經過處理後的32x32de1二進位制數字矩陣,把乙個樣本 32x32 轉化為1x1024的向量,即一行代表乙個樣本,然後把訓練樣本也轉化為乙個數字矩陣,每次輸入乙個測試集都與訓練集的矩陣進行作差,然後平方和開根號,最後將每乙個輸入的...