前言

學以致用，以學促用。輸出檢驗，完整閉環。

怕什么真理無窮，進一寸有一寸的歡喜——胡適

經過前段時間的努力，已經在電腦上搭好了深度學習系統，接下來就要開始跑程序了，將AI落地了。
安裝win10下tensforlow 可以參照之前的例子：win10+gpu安裝
在使用gpu版本中一些特別的問題，可以參照這篇：win10+tensorflow+gpu
在運行過程中遇到的一些錯誤，可以參照這篇:：tensorflow 錯誤
tensorflow的一些基礎概念，可以參見這篇：tensorflow學習筆記（1）
tensorflow的發展故事，可以參見這篇：tensorfow學習筆記（2）

目錄

• 前言
  • Tensorflow 第一步
  • Tensorflow mnist數據集
  • 小結
  • 補充

Tensorflow 第一步

這節主要總結的是安裝tensorflow和訓練一個手寫數字識別的模型。
安裝可以參考這篇帖子：
win10：tensorflow-gpu總結

Tensorflow mnist數據集

數據集的介紹可參考之前的文檔：經驗
這節代碼主要參考github上的源碼
主要使用的算法是softmax regression算法。
soft regression簡介
輸入一張圖片后，soft regression會對每個類別給出一個估計的概率，最后取概率最大的類別作為輸出結果。
具體可以參照：softmax詳解
簡單公式如下：

featurei=∑jwi,jxj+bjfeaturei=∑jwi,jxj+bj
其中i代表第i類，j代表一張圖片的第j個像素，bjbj是bias，featureifeaturei第i類的概率

softmax(x)=normalize(exp(x))softmax(x)=normalize(exp(x))
其中softmax就是需要的特征。

softmax(x)i=fracexp(xi)∑jexp(xj)softmax(x)i=fracexp(xi)∑jexp(xj)
特征值越大的類輸出的概率越大：

公式化

額外寫在這里：
交叉熵公式：
Hy′=?∑iy′ilog(yi)Hy′=?∑iyi′log(yi)

>

#先導入依賴的庫import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data #讀入數據 #可能過段時間就不能這么簡單的讀取了。 #one-hot編碼是說label的形式為【000001000】1在的位置代表它是幾？ mnist=input_data.read_data_sets("MNIST_data/",one_hot=True) #輸出相關的信息 print(mnist.train.images.shape,mnist.train.labels.shape) print(mnist.test.images.shape,mnist.test.labels.shape) print(mnist.validation.images.shape,mnist.validation.labels.shape)#開啟一個可迭代的會話 sess=tf.InteractiveSession() #初始化參數。 #設置占位符和變量。 x=tf.placeholder(tf.float32,[None,784]) w=tf.Variable(tf.zeros([784,10])) b=tf.Variable(tf.zeros([10])) #計算預測值 y=tf.nn.softmax(tf.matmul(x,w)+b) #計算交叉熵 y_=tf.placeholder(tf.float32,[None,10]) cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1])) #使用隨機梯度求導優化 train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) #全局參數初始化。 tf.global_variables_initializer().run() #迭代訓練100次 for i in range(1000): #獲得訓練集batch_xs,batch_ys=mnist.train.next_batch(100)#進行訓練train_step.run({x:batch_xs,y_:batch_ys}) #預測結果判斷 #實際標簽和預測標簽一致嗎？ correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) #計算正確率 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

小結

通過這個例子，我們可以將一個項目結構化為四個獨立的部分。

• 1定義算法公式
• 2定義loss，選定優化器，并指定優化器優化loss
• 3迭代地對數據進行訓練。

• 4在測試集或驗證集上對準確率進行評測。

  需要注意的是tensorflow和spark類似，一開始只是進行了計算圖設計，真的計算要調用run方法后才開始，還需要feed數據。

補充

其中發現了一篇好文檔，詳解mnist數據集
詳解，主要是可以可視化源數據究竟是個啥。
，但博主有的部分和我的部分有區別，問題怎么也解決不了：
問題1：數據導入

X_train,y_train = load_mnist('mnist_data\')File "E:/tensorFlow/Mycode/mnist/Main_mnist.py", line 12X_train,y_train = load_mnist('mnist_data\')^ SyntaxError: EOL while scanning string literal

后來，發現應該這么寫：

X_train,y_train = load_mnist('E:/tensorFlow/Mycode/mnist/mnist_data/')

問題2：數據不識別

File "E:\tensorFlow\Mycode\mnist\input_dat2.py", line 20, in load_mnistwith open(labels_path,'rb') as lbpath:PermissionError: [Errno 13] Permission denied: 'mnist_data/train-labels-idx1-ubyte'

先是參考了問題

仔細看了錯誤提示，發現是input_data環節出了問題：

博主的文檔里面
是-labels-idx1-ubyte將中間的-改成。以后問題消除。

展示出來了。

總結

以上是生活随笔為你收集整理的Win10: tensorflow 学习笔记（3）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。