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：
它也包含每一張對應的標籤，告訴我們這個是數字幾。比如，上面這四張的標籤分別是5，0，4，1。
mnist資料集的官網是
yann lecun's website
這份**
，然後用下面的**匯入到你的專案裡面，也可以直接複製貼上到你的**檔案裡面。
import input_data
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
mnist.train.images，訓練資料集的標籤是mnist.train.labels。
會自動建立乙個'mnist_data'的目錄來儲存資料。
import input_data
mnist = input_data.read_data_sets('mnist_data', one_hot=true)
mnist是乙個輕量級的類。它以numpy陣列的形式儲存著訓練、校驗和測試資料集。同時提供了乙個函式，用於在迭代中獲得minibatch，後面我們將會用到。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
#建立乙個互動式session
sess = tf.interactivesession()
#建立兩個佔位符，x為輸入網路的影象，y_為輸入網路的影象類別
x = tf.placeholder("float", shape=[none, 784])
y_ = tf.placeholder("float", shape=[none, 10])
#權重初始化函式
def weight_variable(shape):
#輸出服從截尾正態分佈的隨機值
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.variable(initial)
#偏置初始化函式
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.variable(initial)
#建立卷積op
#x 是乙個4維張量，shape為[batch,height,width,channels]
#卷積核移動步長為1。填充型別為same,可以不丟棄任何畫素點
def conv2d(x, w):
return tf.nn.conv2d(x, w, strides=[1,1,1,1], padding="same")
#建立池化op
#採用最大池化，也就是取視窗中的最大值作為結果
#x 是乙個4維張量，shape為[batch,height,width,channels]
#ksize表示pool視窗大小為2x2,也就是高2，寬2
#strides，表示在height和width維度上的步長都為2
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1],
strides=[1,2,2,1], padding="same")
#第1層，卷積層
#初始化w為[5,5,1,32]的張量，表示卷積核大小為5*5，第一層網路的輸入和輸出神經元個數分別為1和32
w_conv1 = weight_variable([5,5,1,32])
#初始化b為[32],即輸出大小
b_conv1 = bias_variable([32])
#把輸入x(二維張量,shape為[batch, 784])變成4d的x_image，x_image的shape應該是[batch,28,28,1]
#-1表示自動推測這個維度的size
x_image = tf.reshape(x, [-1,28,28,1])
#把x_image和權重進行卷積，加上偏置項，然後應用relu啟用函式，最後進行max_pooling
#h_pool1的輸出即為第一層網路輸出，shape為[batch,14,14,1]
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
#第2層，卷積層
#卷積核大小依然是5*5，這層的輸入和輸出神經元個數為32和64
w_conv2 = weight_variable([5,5,32,64])
b_conv2 = weight_variable([64])
#h_pool2即為第二層網路輸出，shape為[batch,7,7,1]
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
#第3層, 全連線層
#這層是擁有1024個神經元的全連線層
#w的第1維size為7*7*64，7*7是h_pool2輸出的size，64是第2層輸出神經元個數
w_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
#計算前需要把第2層的輸出reshape成[batch, 7*7*64]的張量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)
#dropout層
#為了減少過擬合，在輸出層前加入dropout
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#輸出層
#最後，新增乙個softmax層
#可以理解為另乙個全連線層，只不過輸出時使用softmax將網路輸出值轉換成了概率
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)
#**值和真實值之間的交叉墒
cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
#train op, 使用adam優化器來做梯度下降。學習率為0.0001
train_step = tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
#評估模型，tf.argmax能給出某個tensor物件在某一維上資料最大值的索引。
#因為標籤是由0,1組成了one-hot vector，返回的索引就是數值為1的位置
correct_predict = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
#計算正確**項的比例，因為tf.equal返回的是布林值，
#使用tf.cast把布林值轉換成浮點數，然後用tf.reduce_mean求平均值
accuracy = tf.reduce_mean(tf.cast(correct_predict, "float"))
#初始化變數
sess.run(tf.initialize_all_variables())
#開始訓練模型，迴圈20000次，每次隨機從訓練集中抓取50幅影象
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
#每100次輸出一次日誌
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=))
kNN之手寫數字識別
import numpy as np listdir 列出給定目錄的檔名 from os import listdir import operator inx 分類的輸入向量,dataset 輸入的訓練樣本集,labels 標籤向量,k 近鄰數 defclassify0 inx,dataset,la...
Python基礎學習之手寫識別演算法
k 近鄰演算法 from numpy import python裡的計算包numpy import operator 運算子模組 import os 資料準備所需的函式 def createdataset group array 1.0,1.1 1.0,1.0 0,0 0,0.1 labels a ...
Matlab深度學習實踐之手寫體識別（含詳細注釋）
matlab這幾年在人工智慧這塊兒也越做越好了，最近為了熟悉matlab如何搭建神經網路，自己做了乙個手寫體識別實驗，記錄一下。實驗任務非常簡單，網路搭的也非常隨意，不合理的地方也懶得改，旨在走通matlab搭建神經網路的流程。首先，資料集為mnist資料集 我已經把資料按類別分好，分為train和...