【深度学习】3：BP神经网络与MNIST数据集实现手写数字识别

前言：这是一篇基于tensorflow框架，创建的只有一层隐藏层的BP神经网络，做的图片识别，内容也比较简单，全当是自己的学习笔记了。

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

1、加载MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data mnist =
input_data.read_data_sets('MNIST_data', one_hot=True)
mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集，也是Google做图片识别的经典数据集。MNIST数据集下载链接:
https://pan.baidu.com/s/1d9ty82 <https://pan.baidu.com/s/1d9ty82> 密码: jcam

2、运行TensorFlow框架
import tensorflow as tf sess = tf.InteractiveSession() init = tf.global
_variables_initializer() sess.run(init)
TensorFlow框架与后端的连接叫做session，也就是说我们用session启动TensorFlow框架（详情就要自己深入了解了）

3、预定义输入值X，真实值Y
X = tf.placeholder(tf.float32, shape=[None, 784]) Y = tf.placeholder(tf.float
32, shape=[None,10])
* X，Y现由占位符表示，可以在TensorFlow运行某一计算时，根据该占位符输入的具体的值而进行计算；
* tf.float32 是存储的类型；shape=[None,
784]是数据维度大小——因为MNIST数据集中每一张图片大小都是28*28的，计算时候是将28*28的二维数据转换成一个一维的、长度为784的新向量。None表示其值大小不定，意即选中的X、Y的数量暂时不定
4、创建BP神经网络
""" 用随机数列生成的方式，创建含一个隐藏层的神经网络。(784,300,10) """
#truncated_normal：选取位于正态分布均值=0.1附近的随机值 w1 = tf.Variable(tf.truncated_normal([784
,300],stddev=0.1)) w2 = tf.Variable(tf.zeros([300,10])) b1 =
tf.Variable(tf.zeros([300])) b2 = tf.Variable(tf.zeros([10]))
#relu、softmax都为激活函数 L1 = tf.nn.relu(tf.matmul(X,w1)+b1) y =
tf.nn.softmax(tf.matmul(L1,w2)+b2)

BP神经网络输入层有784个神经元、隐藏层300个神经元、输出层10个神经元。初始化各级权重w1、w2；各级偏置值b1、b2——都是采用随机数列生成的方式。定义隐藏层、输出层的计算方式以及各自的激活函数。

5、计算误差并用梯度下降法优化权重
#二次代价函数:计算预测值y与真实值Y之间的误差 loss = tf.reduce_mean(tf.square(Y - y))
#梯度下降法:选用GradientDescentOptimizer优化器，学习率为0.5 train_step = tf.train
.GradientDescentOptimizer(0.5).minimize(loss)

误差也叫损失函数、代价函数。TensorFlow中有大量内置的优化算法，这里我们选用最简单的GradientDescentOptimizer优化器让交叉熵下降，步长为定为0.5

6、计算准确率
#结果存放在一个布尔型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(Y,1))
#求准确率 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
*
tf.argmax()函数：是返回对象在某一维上的其数据最大值所对应的索引值，由于这里的标签向量都是由0,1组成，因此最大值1所在的索引位置就是对应的类别标签
* tf.argmax(y,1)返回的是对于任一输入x预测到的标签值，tf.argmax(Y,1)代表正确的标签值
* correct_prediction
这里是返回一个布尔数组。为了计算我们分类的准确率，我们将布尔值转换为浮点数来代表对与错，然后取平均值。例如：[True, False, True,
True]变为[1,0,1,1]，计算出准确率就为0.75
7、其他说明
batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run
(train_step,feed_dict=({X:batch_xs,Y:batch_ys})) acc = sess.run
(accuracy,feed_dict={X:mnist.test.images,Y:mnist.test.labels})
* batch_xs与batch_ys：是从MNIST数据集中按批次数取得的：数据项与标签项
* feed_dict=({X:batch_xs,Y:batch_ys}语句：是将batch_xs、batch_ys代表的值传入X、Y
源码与效果展示
# -*- coding:utf-8 -*- # -*- author：zzZ_CMing # -*- 2018/01/23;21:49 # -*-
python3.5 import tensorflow as tf from tensorflow.examples.tutorials.mnist
import input_data import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #读取MNIST数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #设置每个批次的大小
batch_size =500 #计算一共有多少个批次(地板除) n_batch = mnist.train.num_examples//batch_size
#预定义输入值X、输出真实值Y placeholder为占位符 X = tf.placeholder(tf.float32,[None,784]) Y =
tf.placeholder(tf.float32,[None,10]) """ 用随机数列生成的方式，创建含一个隐藏层的神经网络。(784,300,10)
""" #truncated_normal：选取位于正态分布均值=0.1附近的随机值 w1 =
tf.Variable(tf.truncated_normal([784,300],stddev=0.1)) w2 =
tf.Variable(tf.zeros([300,10])) b1 = tf.Variable(tf.zeros([300])) b2 =
tf.Variable(tf.zeros([10])) #relu、softmax都为激活函数 L1 =
tf.nn.relu(tf.matmul(X,w1)+b1) y = tf.nn.softmax(tf.matmul(L1,w2)+b2)
#二次代价函数:预测值与真实值的误差 loss = tf.reduce_mean(tf.square(Y - y))
#梯度下降法:选用GradientDescentOptimizer优化器，学习率为0.5 train_step =
tf.train.GradientDescentOptimizer(0.5).minimize(loss) #结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(Y,1)) #求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#初始化变量，激活tf框架
init = tf.global_variables_initializer() sess = tf.Session() sess.run(init)for i
in range(21): for batch in range(n_batch): batch_xs,batch_ys =
mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict=({X:batch_xs,Y:batch_ys})) acc =
sess.run(accuracy,feed_dict={X:mnist.test.images,Y:mnist.test.labels}) print(
"Iter " + str(i)+",Testing Accuracy "+str(acc))
效果展示：


*
迭代10次的准确率就已经到90.85%，对于现在的技术来说，这个准确率还是比较低的。CNN卷积神经网络对于更为复杂的图片识别准确率都已经能达到98%以上，所以自己的学习之路还得百尺竿头更进一步
* 程序运行起来比较慢，大家全当学习了
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

系列推荐：

【监督学习】1：KNN算法实现手写数字识别的三种方法
<https://blog.csdn.net/zzz_cming/article/details/78938107>
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
【无监督学习】1：K-means算法原理介绍，以及代码实现
<https://blog.csdn.net/zzz_cming/article/details/79859490>
【无监督学习】2：DBSCAN算法原理介绍，以及代码实现
<https://blog.csdn.net/zzz_cming/article/details/79863036>
【无监督学习】3：Density Peaks聚类算法（局部密度聚类）
<https://blog.csdn.net/zzz_cming/article/details/79889909>
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
【深度学习】1：感知器原理，以及多层感知器解决异或问题
<https://blog.csdn.net/zzz_cming/article/details/79031869>
【深度学习】2：BP神经网络的原理，以及异或问题的解决
<https://blog.csdn.net/zzz_cming/article/details/79118894>
【深度学习】3：BP神经网络识别MNIST数据集
<https://blog.csdn.net/zzz_cming/article/details/79136928>
【深度学习】4：BP神经网络+sklearn实现数字识别
<https://blog.csdn.net/zzz_cming/article/details/79182103>
【深度学习】5：CNN卷积神经网络原理、MNIST数据集识别
<https://blog.csdn.net/zzz_cming/article/details/79192815>
【深度学习】8：CNN卷积神经网络识别sklearn数据集（附源码）
<https://blog.csdn.net/zzz_cming/article/details/79691459>
【深度学习】6：RNN递归神经网络原理、MNIST数据集识别
<https://blog.csdn.net/zzz_cming/article/details/79235475>
【深度学习】7：Hopfield神经网络（DHNN）原理介绍
<https://blog.csdn.net/zzz_cming/article/details/79289502>
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
TensorFlow框架简单介绍 <https://blog.csdn.net/zzz_cming/article/details/79235469>
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

• « 上一篇：2018作为一个菜鸟程序员发生的一些趣事和感想
• » 下一篇：学生成绩管理系统-SSM实现(一)——配置文件篇