文章目錄

• • • 1. 關(guān)于MNIST數(shù)據(jù)集
    • 2. 前向傳播確定網(wǎng)絡(luò)結(jié)構(gòu)
    • • 2.1 涉及的方法

1. 關(guān)于MNIST數(shù)據(jù)集

數(shù)據(jù)集和input_data文件

• 有6萬(wàn)張28*28像素點(diǎn)的0~9手寫(xiě)數(shù)字圖片和標(biāo)簽，用于測(cè)試。
• 有1萬(wàn)張28*28像素點(diǎn)的0~9手寫(xiě)數(shù)字圖片和標(biāo)簽，用于測(cè)試。

每張圖片有784個(gè)像素點(diǎn)（28*28=784）組成一個(gè)長(zhǎng)度為784的一維數(shù)組，用做個(gè)輸入特征
$${\begin{array}{c}\left[\begin{array}{ccccccccccccccccccc}0& 0& 0& 0& 1& 0& 0& 1& 1& 0& 1& 0& ...& 0& 1& 1& 0& 1& 0\end{array}\right]\end{array}}_{728?1}$$
圖片的標(biāo)簽以一維數(shù)組形式給出，每個(gè)元素表示對(duì)應(yīng)分類出現(xiàn)的概率。比如下面的標(biāo)簽表示數(shù)字4
$$\begin{array}{c}\left[\begin{array}{cccccccccc}0& 0& 0& 0& 1& 0& 0& 0& 0& 0\end{array}\right]\end{array}$$

#手寫(xiě)識(shí)別字mnist import input_data# 使用官方提供的input_data模塊的read_data_sets自動(dòng)加載數(shù)據(jù)集，"Mnist_data/"是數(shù)據(jù)集存放的路徑，當(dāng)前目錄的Mnist_data目錄下面。并以獨(dú)熱碼的方式存取。 # read_data_sets會(huì)自動(dòng)檢查本地是否有數(shù)據(jù)集，如果沒(méi)有，會(huì)自動(dòng)下載train， mnist = input_data.read_data_sets("Mnist_data/",one_hot = True)print("訓(xùn)練集大小為: ", mnist.train.num_examples)print("驗(yàn)證集大小為：", mnist.validation.num_examples)print("測(cè)試樣本大小為：", mnist.test.num_examples)print("訓(xùn)練集中指定的圖片類型為：", mnist.train.images[0].shape)print("訓(xùn)練集中指定的標(biāo)簽類型為：", mnist.train.labels[0].shape)print("查看訓(xùn)練集中指定的標(biāo)簽：") print(mnist.train.labels[0], '\n')print("查看訓(xùn)練集中指定的圖片：") print(mnist.train.images[0])

2. 前向傳播確定網(wǎng)絡(luò)結(jié)構(gòu)

""" 前向傳播確定網(wǎng)絡(luò)結(jié)構(gòu) """ """ 前向傳播確定網(wǎng)絡(luò)結(jié)構(gòu) """import tensorflow as tfINPUT_NODE = 784 # 輸入節(jié)點(diǎn) 784（一張圖片28*28，共有784個(gè)像素點(diǎn)）個(gè) OUTPUT_NODE = 10 # 輸出10數(shù)，這個(gè)等于要預(yù)測(cè)類別的數(shù)目。在這里表示的是該圖片為0~9之間的概率LAYER1_NODE = 500 # 隱藏層節(jié)點(diǎn)個(gè)數(shù)def get_weight(shape, regularizer):"""初始化權(quán)重"""# 隨機(jī)生成參數(shù)ww = tf.Variable(tf.truncated_normal(shape, stddev=0.1))if regularizer != None:"""如果使用正則化"""# 將每個(gè)變量的損失加入到總損失lossestf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w))return wdef get_bias(shape):"""初始化偏置值"""b = tf.Variable(tf.zeros(shape))return bdef forward(x, regularizer):"""該網(wǎng)絡(luò)的結(jié)構(gòu)有兩層，一個(gè)隱藏層和一個(gè)輸出層"""# x為1*784的矩陣，w1是一個(gè)784*500的矩陣，b1是一個(gè)1*500的矩陣w1 = get_weight([INPUT_NODE, LAYER1_NODE], regularizer)b1 = get_bias([LAYER1_NODE])y1 = tf.nn.relu(tf.matmul(x, w1) + b1) # 最終結(jié)果，y1是一個(gè)1*500的矩陣# y1為1*500的矩陣，w2為500*10的矩陣，b2為1*10的矩陣w2 = get_weight([LAYER1_NODE, OUTPUT_NODE], regularizer)b2 = get_bias([OUTPUT_NODE])y = tf.matmul(y1, w2) + b2 # 最終輸出，y為一個(gè)1*10的矩陣return y

整個(gè)網(wǎng)絡(luò)大概是這個(gè)樣子的

其中，輸入X為一個(gè)1784的矩陣(為了方便自己記憶，就不說(shuō)向量了)。w1是一個(gè)784500的矩陣，b1是一個(gè)1500的矩陣。第一層的輸入為y1是一個(gè)1500的矩陣。

第二層的輸入即第一層的輸出，為y1(一個(gè)1500的矩陣)。w2為50010的矩陣，b2為110的矩陣。輸出y為一個(gè)110的矩陣

2.1 涉及的方法

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None):輸出一個(gè)shape的張量，里面的參數(shù)服從正態(tài)分布，均值為mean，標(biāo)準(zhǔn)差為stddev，數(shù)據(jù)類型為dtype，隨機(jī)種子為seed。

未完待續(xù)。。。

總結(jié)

以上是生活随笔為你收集整理的TensorFlow学习笔记之四（MNIST数字识别)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。