MNIST手写数字识别程序

实验环境：

python3.6.3  pip 9.0.1  tensorflow 1.10.0  window 10  oracle vm virtualbox  ubuntu 16.0.1

1.基于tensorflow对mnist预测，需要连接外网。

下面代码可以直接复制去调试，识别率高达98%，最低也在91%。python对代码格式有非常高的要求。行头不能同时存在tab和空格。函数内行头对齐。大概有3/40分钟左右.不过我在8月20号训练结果不是这样，最高也就97%，最低89%。不清楚其中原因

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist = input_data.read_data_sets("/dataset",one_hot=True)
#每一批数据大小
batch_size = 100
#计算多少批数据
n_batch = mnist.train.num_examples
#定义两个placeholder,None=100,28*28=784,即100行784列
x = tf.placeholder(tf.float32,[None,784])
#0-9个输出标签
y = tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([1,10]))
#softmax函数转化为概率值
prediction = tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#tf.equal()比较函数大小是否相同，相同为True,不同为false;tf.argmax()：求y=1在哪个位置，求概率最#大在哪个位置
#argmax返回一维张量中最大的值所在的位置，结果存放在一个布尔型列表中
correct_prediction= tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#cast转化类型，将布尔型转化为32位浮点型，true=1.0,false=0.0再求平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
        sess.run(init)
        #将所有图片训练21次
        for epoch in range(21):
            #每次训练所有图片
            for batch in range(n_batch):
                    batch_xs,batch_ys = mnist.train.next_batch(batch_size)
                    #feed_dict传入训练集的图片和标签
                    sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            #传入测试集的图片和标签
            acc = sess.run(accuracy,feed_dict={x:batch_xs,y:batch_ys})
            print("Iter"+str(epoch)+",Testing Accuracy:"+str(acc))

2.数据模型对mnist预测，预测结果在代码后面截图，几分钟就可看到结果

import struct
from sklearn import cross_validation,svm,metrics
#将mnist 数据集转换成csv格式
def to_csv(name,maxdata):
       #打开标签数据集
       lbl_f = open("./dataset/"+name+"-labels.idx1-ubyte","rb")
       #打开图像数据集
	   img_f = open("./dataset/"+name+"-images.idx3-ubyte","rb")
       #写入csv文件
	   csv_f = open("./dataset/"+name+",csv","w",encoding="utf-8")
       #将字节流转换成python数据类型复制给标签
	   mag,lbl_count=struct.unpack(">II",lbl_f.read(8))
       #将字节流转换成python数据类型复制给图像
	   mag,img_count=struct.unpack(">II",img_f.read(8))
       #将字节流转换成python数据类型复制给行列
	   rows,cols=struct.unpack(">II",img_f.read(8))
       #计算数据总量
	   pixels=rows*cols
	   res=[]
	   for idx in range(lbl_count):
               #设置计数器，大于数据个数总量就跳出循环
	           if idx > maxdata:break
			   label=struct.unpack("B",lbl_f.read(1))[0]
			   bdata=img_f.read(pixels)
			   sdata=list(map(lambda n:str(n),bdata))
               #写入标签
			   csv_f.write(str(labek)+",")
               #写入数据
			   csv_f.write(",".join(sdata)+"\r\n")
			   if idx < 10:
			            s="P2 28 28 255\n"
						s+=" ".join(sdata)
						iname="./dataset/{0}-{1}-{2}.pgm".format(name.idx,label)
						with open(iname,"w",encoding="utf-8")as f:
						         f.write(s)
		#关闭数据流，释放资源
        csv_f.close()
		lbl_f.close()
		img_f.close()
#转换到train.csv 1000个数据
to_csv("train",1000)
#转换到t10k.csv 1000个数据
to_csv("t10k",1000)
#通过sklearn的交叉验证处理数据，svm训练数据预测结果，metrics生成分类报告和准确率
def load_csv(fname):
        labels=[]
		images=[]
		with open(fname,"r")as f:
		        for line in f:
				        cols=line.split(",")
						if len(cols)<2:continue
						labels.append(int(cols.pop(0)))
						vals=list(map(lambda n:int(n)/256,cols))
						images.append(vals)
				return{"labels":labels,"images":images}
data=load_csv("./dataset/train.csv")
test=load_csv("./dataset/t10k.csv")
clf=svm.SVC()
#训练数据集
clf.fit(data["images"],data["labels"])
#预测数据集
predict=clf.predict(test["images"])
#生成测试精度
sore=metrics.accuracy_score(test["labels"],predict)
#生成交叉验证的报告
report=metrics.classification_report(test["labels"],predict)
print(score)
ptrint(report)

该结果是训练1000次的

该结果是训练10000次的