初识机器学习--MNIST 手写数字识别

参考博客：MNIST 手写数字识别（一）https://blog.csdn.net/sinat_34328764/article/details/83832487

MNIST是一个很有名的手写数字识别数据集，对于每张图片，存储的方式是一个 28 * 28 的矩阵，导入数据进行使用的时候会自动展平成 1 * 784（28 * 28）的向量，这在TensorFlow导入很方便，在使用命令下载数据之后，可以看到有四个数据集：

模型

来看一个最基础的模型建立，首先了解TensoFlow对MNIST数据集的一些操作

1.TensorFlow 对MNIST数据集的操作

下载、导入

from tensorflow.examples.tutorials.mnist import input_data
# 第一次运行会自动下载到代码所在的路径下

mnist = input_data.read_data_sets('location', one_hot=True)
# location 是保存的文件夹的名称

打印MNIST数据集的一些信息

# 打印 mnist 的一些信息

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

print("number of train data is %d" % mnist.train.num_examples)
print("number of test data is %d" % mnist.test.num_examples)

# 将所有的数据加载为这样的四个数组 方便之后的使用
trainimg = mnist.train.images
trainlabel = mnist.train.labels
testimg = mnist.test.images
testlabel = mnist.test.labels

输出结果：

number of train data is 55000    # 训练集共有55000条数据
number of test data is 10000     # 训练集有10000条数据

2.简单逻辑回归模型建立

这是一个逻辑回归（分类）的问题，首先来建立一个最简单的模型，之后会逐渐地优化。分类模型一般会采用交叉熵方式作为损失函数，所以，对于这个模型的输出，首先使用 SoftmaxSoftmaxSoftmax 回归方式处理为概率分布，然后采用交叉熵作为损失函数，使用梯度下降的方式进行优化。

Softmax 回归
这个函数的作用是将一组数据转化为概率的形式,

函数表达式：

SoftmaxSoftmaxSoftmax回归可以将一组数据整理为一个概率分布，其实计算很简单，也很好理解，这里是用来处理模型的原本输出结果：

这是因为模型原本的输出可能是(1,2,3...)这样形式，无法使用交叉熵的方式进行衡量，所以先进行一次处理，举个例子就是，对于一个向量 (1,2,,3) 经过 Softmax回归之后就是 (,,)，这样就成为一个概率分布，方便接下来计算交叉熵了。

交叉熵的介绍

交叉熵（cross entropy）的概念取自信息论，刻画的是两个概率分布之间的距离，一般都会用在分类问题中，对于两个给定的概率分布 p 和 q，（注意：这里指的是 概率分布，不是单个的概率值，所以才会有下面公式中的求和运算）通过 q 来表示 p 的交叉熵表达为：

这里还是要解释一下，使用交叉熵的前提：概率分布 p(X=x)必须要满足：∀xp(X=x)∈[0,1] and ∑p(X=x)=1

现在可以理解为什么要先使用softmaxsoftmaxsoftmax回归对输出地数据先进行处理了吧，本来模型对于一张图片的输出是不符合概率分布的，所以经过softmaxsoftmaxsoftmax回归转化之后，就可以使用交叉熵来衡量了。

如果通俗地理解交叉熵，可以理解为用给定的一个概率分布表达另一个概率分布的困难程度，如果两个概率分布越接近，那么显然这种困难程度就越小，那么交叉熵就会越小，回到MNIST中，我们知道对于某一张图片的label，也就是正确分类是这样的形式：(1, 0, 0, …) ，对于这张图片，我们的模型的输出可能是 (0.5, 0.3, 0.2) 这样的形式，那么计算交叉熵就是 −(1×log(0.5)+0×log(0.3)+0×log(0.2))，这样就计算出了交叉熵，在上面程序中 lost函数中就是这样计算的。这里还用到了一个函数 ： tf.clip_by_value()，这个函数是将数组中的值限定在一个范围内

# 损失函数 使用交叉熵的方式  softmax（）函数与交叉熵一般都会结合使用
cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(tf.clip_by_value(actv, 1e-10, 1.0)), reduction_indices=1))

虽然模型的输出一般不会出现某个元素为0这种情况，但是这样并不保险，一旦出现actv中某个元素为0，根据交叉熵的计算，就会出现 log(0) 的情况，所以最好对这个数组加以限制，对于clip_by_value()函数，定义如下：

def clip_by_value(t: Any,           # 这个参数就是需要整理的数组
                  clip_value_min: Any,    # 最小值
                  clip_value_max: Any,    # 最大值
                  name: Any = None) -> 
# 经过这个函数，数组中小于clip_value_min 的元素就会被替换为clip_value_min， 同样，超过的也会被替换
# 所以用在交叉熵中就保证了计算的合法

这样，很明显，交叉熵越小，也就说明模型地输出越接近正确的结果，这也是使用交叉熵描述损失函数地原因，接下来使用梯度下降（这里是）不断更新参数，找到最小地lost，就是最优的模型。

代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib.pyplot as plt
# 读入数据   ‘MNIST_data’ 是保存数据的文件夹的名称
mnist = input_data.read_data_sets('D:\深度学习\MNIST_data', one_hot=True)
# 各种图片数据以及标签 images是图像数据  labels 是预先准备好的结果
trainimg = mnist.train.images
trainlabel = mnist.train.labels
testimg = mnist.test.images
testlabel = mnist.test.labels

# 输入的数据 每张图片的大小是 28 * 28，在提供的数据集中已经被展平乘了 1 * 784（28 * 28）的向量
# 方便矩阵乘法处理
x = tf.placeholder(tf.float32,[None,784])
# 输出的结果是对于每一张图输出的是 1*10 的向量，例如 [1, 0, 0, 0...]
# 只有一个数字是1 所在的索引表示预测数据
y = tf.placeholder(tf.float32,[None,10])

# 模型参数
# 对于这样的全连接方式 某一层的参数矩阵的行数是输入数据的数量 ，列数是这一层的神经元个数
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

# 建立模型 并使用softmax（）函数对输出的数据进行处理
y_ = tf.nn.softmax(tf.matmul(x,W)+b)

# 损失函数 使用交叉熵的方式  softmax（）函数与交叉熵一般都会结合使用
cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(tf.clip_by_value(y_, 1e-10, 1.0)), reduction_indices=1))
# 使用梯度下降的方法进行参数优化
learning_rate = 0.01
train = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

#初始化
session = tf.InteractiveSession()
session.run(tf.global_variables_initializer())
for i in range(10000):
    #进行训练
    # 这里地 mnist.train.next_batch()作用是：
    # 第一次取1-100数据 第二次取 101-200 ... 类似这样
    batch_x,batch_y = mnist.train.next_batch(100)
    session.run(train,feed_dict={x:batch_x,y:batch_y})
    if i%100==0:
        #测试样本 计算准确率
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
        accurary = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
        print(session.run(accurary,feed_dict={x:testimg,y:testlabel}))
#可视化验证
nsmaple = 10
randidx = np.random.randint(testimg.shape[0], size=nsmaple)

for i in randidx:
    curr_img = np.reshape(testimg[i,:], (28, 28))  # 数据中保存的是 1*784 先reshape 成 28*28
    curr_label = np.argmax(testlabel[i, :])
    plt.matshow(curr_img, cmap=plt.get_cmap('gray'))
    #图片可视化
    plt.show()
    session.run(train,feed_dict={x:[trainimg[i,:]],y:[trainlabel[i, :]]})
    correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
    #图片的识别结果
    print('test '+str(i)+':')
    test = session.run(tf.matmul(np.array([testimg[i,:]]),W)+b)
    print(session.run(tf.argmax(test,1)))

print('Done!')

因为只有一层处理，准确率大约只有92%左右。