文章目錄

• • • 1. 關于MNIST數據集
    • 2. 前向傳播確定網絡結構
    • • 2.1 涉及的方法

1. 關于MNIST數據集

數據集和input_data文件

• 有6萬張28*28像素點的0~9手寫數字圖片和標簽，用于測試。
• 有1萬張28*28像素點的0~9手寫數字圖片和標簽，用于測試。

每張圖片有784個像素點（28*28=784）組成一個長度為784的一維數組，用做個輸入特征
$${\begin{array}{c}\left[\begin{array}{ccccccccccccccccccc}0& 0& 0& 0& 1& 0& 0& 1& 1& 0& 1& 0& ...& 0& 1& 1& 0& 1& 0\end{array}\right]\end{array}}_{728?1}$$
圖片的標簽以一維數組形式給出，每個元素表示對應分類出現的概率。比如下面的標簽表示數字4
$$\begin{array}{c}\left[\begin{array}{cccccccccc}0& 0& 0& 0& 1& 0& 0& 0& 0& 0\end{array}\right]\end{array}$$

#手寫識別字mnist import input_data# 使用官方提供的input_data模塊的read_data_sets自動加載數據集，"Mnist_data/"是數據集存放的路徑，當前目錄的Mnist_data目錄下面。并以獨熱碼的方式存取。 # read_data_sets會自動檢查本地是否有數據集，如果沒有，會自動下載train， mnist = input_data.read_data_sets("Mnist_data/",one_hot = True)print("訓練集大小為: ", mnist.train.num_examples)print("驗證集大小為：", mnist.validation.num_examples)print("測試樣本大小為：", mnist.test.num_examples)print("訓練集中指定的圖片類型為：", mnist.train.images[0].shape)print("訓練集中指定的標簽類型為：", mnist.train.labels[0].shape)print("查看訓練集中指定的標簽：") print(mnist.train.labels[0], '\n')print("查看訓練集中指定的圖片：") print(mnist.train.images[0])

2. 前向傳播確定網絡結構

""" 前向傳播確定網絡結構 """ """ 前向傳播確定網絡結構 """import tensorflow as tfINPUT_NODE = 784 # 輸入節點 784（一張圖片28*28，共有784個像素點）個 OUTPUT_NODE = 10 # 輸出10數，這個等于要預測類別的數目。在這里表示的是該圖片為0~9之間的概率LAYER1_NODE = 500 # 隱藏層節點個數def get_weight(shape, regularizer):"""初始化權重"""# 隨機生成參數ww = tf.Variable(tf.truncated_normal(shape, stddev=0.1))if regularizer != None:"""如果使用正則化"""# 將每個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):"""該網絡的結構有兩層，一個隱藏層和一個輸出層"""# x為1*784的矩陣，w1是一個784*500的矩陣，b1是一個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) # 最終結果，y1是一個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1*10的矩陣return y

整個網絡大概是這個樣子的

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

第二層的輸入即第一層的輸出，為y1(一個1500的矩陣)。w2為50010的矩陣，b2為110的矩陣。輸出y為一個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shape的張量，里面的參數服從正態分布，均值為mean，標準差為stddev，數據類型為dtype，隨機種子為seed。

未完待續。。。

總結

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。