人工智能：MNIST手写数字识别问题的单神经元模型实践

NIST手写数字识别问题的单神经元模型实践
按课程案例，动手完成编码实践。
在不改变模型的结构基础上，尝试采用不同的学习率、单批次样本数、训练轮数等超参数，让模型的准确率达到90%。
提交要求：
1、你认为最优的一次带运行结果的源代码文件（.ipynb 格式）
2、作为附件上传
评分标准：
1、完成案例中的代码，有完整的代码，模型能运行，准确率达87%以上；得6分；
2、准确率达89%以上；再得2分，否则得0分；
3、准确率达90%以上；再得2分，否则得0分；

代码：

import tensorflow.compat.v1 as tf
import matplotlib.pyplot as plt     #图像的显示
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
tf.disable_eager_execution()

class Mnist:
    def __init__(self,route):
        self.mnist = input_data.read_data_sets(route,one_hot = True)
        #定义待输入数据的占位符
        self.x = tf.placeholder(tf.float32,[None,784],name="X")   #每张图片28*28个像素点
        self.y = tf.placeholder(tf.float32,[None,10],name="Y")
        #定义模型变量
        self.W = tf.Variable(tf.random_normal([784,10]),name = "W")
        self.b = tf.Variable(tf.zeros([10]),name = "b")
        #定义前向计算
        self.forward = tf.matmul(self.x,self.W) + self.b   #矩阵的叉乘
        self.pred = tf.nn.softmax(self.forward)   #Softmax 分类
        
        
    def  Param(self):   
        self.train_epochs = 300  #训练轮数
        self.batch_size = 100   #单次训练样本数
        self.total_batch = int(self.mnist.train.num_examples/self.batch_size)   #一轮训练有多少批次
        self.display_step = 1   #显示粒度
        self.learning_rate = 0.01  #学习率
        
    def Model(self):
        #定义损失函数
        self.loss_function = tf.reduce_mean(-tf.reduce_sum(self.y*tf.log(self.pred),reduction_indices = 1))
        #梯度下降优化器
        self.optimizer = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss_function)
        #定义准确率
        self.correct_prediction = tf.equal(tf.argmax(self.pred,1),tf.argmax(self.y,1))  #argmax将最大标签取出来
        #准确率,将布尔型转换为浮点型，并计算平均值
        self.accuracy = tf.reduce_mean(tf.cast(self.correct_prediction,tf.float32))
        self.sess = tf.Session()  #声明回话
        self.init = tf.global_variables_initializer()  #变量的初始化
        self.sess.run(self.init)

    
class Train(Mnist):      #类Train继承类Mnist
    def iteration(self):
        #开始训练
        for epoch in range(self.train_epochs):
            for batch in range(self.total_batch):
                self.xs,self.ys = self.mnist.train.next_batch(self.batch_size)  #读取批次数据
                self.sess.run(self.optimizer,feed_dict={self.x:self.xs,self.y:self.ys})   #执行批次训练

            #使用验证集计算误差和准确率
            self.loss,self.acc = self.sess.run([self.loss_function,self.accuracy],        
            feed_dict={self.x:self.mnist.validation.images,self.y:self.mnist.validation.labels})
        print("Train Finished！")
        
        
    def Result(self):
        #预测结果
        self.prediction_result = self.sess.run(tf.argmax(self.pred,1),feed_dict={self.x:self.mnist.test.images})
        
        
    def Print(self):
        #完成训练后,在测试集上评估模型的准确率
        self.accu_test = self.sess.run(self.accuracy,feed_dict={self.x:self.mnist.test.images,self.y:self.mnist.test.labels})
        print("Test Accuracy：",self.accu_test)

        #完成训练后,在验证集上评估模型的准确率
        self.accu_validation = self.sess.run(self.accuracy,feed_dict={self.x:self.mnist.validation.images,self.y:self.mnist.validation.labels})
        print("Validation Accuracy：",self.accu_validation)

        #完成训练后,在测试集上评估模型的准确率
        self.accu_train = self.sess.run(self.accuracy,feed_dict={self.x:self.mnist.train.images,self.y:self.mnist.train.labels})
        print("Train Accuracy：",self.accu_train)
        
        Train.Result(self)   #预测结果
        
        
    def plot_images_labels_prediction(self,images,labels,prediction,index,num=10):
        #函数文档
        """
        images:图像列表
        labels:标签列表
        prediction:预测值列表
        index:从第index个开始显示
        num=10：缺省依次显示10幅

        """
        self.fig = plt.gcf()    #获取当前图标
        self.fig.set_size_inches(10,12)
        if num > 25:
            num = 25  #最多显示25个子图
        for i in  range(num):
            self.ax = plt.subplot(5,5,i+1)     #获取当前需要处理的子图
            #显示第index个图像
            self.ax.imshow(np.reshape(images[index],(28,28)),cmap="binary")
            self.title =  "label=" + str(np.argmax(labels[index]))  #标题
            if len(prediction) > 0:
                self.title += (",predict=" + str(prediction[index]))

            self.ax.set_title(self.title,fontsize=10)    #显示标题信息字体大小10号
            self.ax.set_xticks([])   #不显示坐标轴
            self.ax.set_yticks([])
            index += 1
        plt.show()

        
    def Plot(self):
        self.plot_images_labels_prediction(self.mnist.test.images,self.mnist.test.labels,self.prediction_result,10,15)
    
        
        
    
route = r"D:\编程代码\python程序\mnist_data"     #r表示原始字符串
T = Train(route)      #创建类Train对象实例T  
T.Param()            #设置训练参数
T.Model()           #模型准备工作
T.iteration()      #开始迭代训练
T.Print()         #打印准确率
T.Plot()         #可视化结果的最终画图

训练效果：