mnist数据集tensorflow实现

TensorFlow——CNN实现MNIST手写体识别

2019年04月08日 21:46:19 星空Ice_ 阅读数 83

 

 

 

TensorFlowCNN实现MNIST

官方文档 —— MNIST 入门 | Softmax 相关
官方文档 —— MNIST 进阶 | CNN 相关
CNN-卷积神经网络相关

---

1，数据集

MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片：

这份Python代码是官方网站上提供给我们下载和安装数据集的，然后可以使用下面的代码导入到你的项目里面：

import input_data
mnist = input_data.read_data-sets("MNIST_data/", one_hot=True) 

• 1
• 2

下载下来是一个60000行的训练数据集（mnist.train）和一个10000行的测试数据集（mnist.test）。
数据集的每个数据单元包含：

• 一张手写数字的图片（28x28=784）
• 对应的标签[1x10]

在训练数据集中，mnsit.train.images是一个形状为[60000, 784]的一个张量，第一个维度是图片索引也就是样本序号，第二个维度是图片像素点，也就是相对于每张28x28=784的图片转换为一个1x784的向量来处理，总共是60000x784。

对用的标签是介于0到9的数字，用一个向量表示，例如0的标签为：[1, 0, 0, 0, 0, 0, 0, 0, 0, 0]，也就是第0位为1，其他为0的1x10的向量，来表示标签0。因此mnist.train.labels是一个[60000, 10]的张量

2，回归模型——Softmax

我们针对每个数字，给出每个数字对应的28x28=784个像素不同的权值，与这个数字相关程度较大的像素，我们给予相对更高的权重（正值），反之给予较低的权重（负值），如下图所示，红色为负值，蓝色为正值，黑色表示我们对这部分像素不关心：

对每一张图片，根据相应的数字 iii 所对应的每个像素xjx_{j}xj​的权重Wi, jW_{i,\ j}Wi, j​，求出乘积和在加上一个偏置量（因为输入往往会有干扰），得到一个证据值，它描述的是我们能够认为这张图片是对应数字 iii 的把握的大小：
evidencei=∑jWi, jxj+bi(0)evidence_{i} = \sum_{j}W_{i,\ j}x_{j} + b_{i} \tag{0}evidencei​=j∑​Wi, j​xj​+bi​(0)
我们更希望得到的是这张图片关于0-9每个数字的概率分布。我们通过softmax这个激励函数把这个证据量转化为对应数字 iii 一个概率值yiy_{i}yi​：
yi=softmax(evid

转载于:https://www.cnblogs.com/shuimuqingyang/p/11119796.html