2018-04-02 tensorflow Classification

使用tensorflow进行分类任务

这个就还是和之前的回归用的一样的建立一个层的函数
定义了权重，偏差以及计算方法

def add_layer(inputs, in_size, out_size, activation_function=None,):
    # add one more layer and return the output of this layer
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b,)
    return outputs

这个是新定义的一个函数，用来计算相似的精确度的，首先获取了全局的prediction，这个prediction用的是28×28的输入，10的输出，原因是输入的图片是28×28的像素值，需要预测到底是1到10中的哪个数字。激活函数是softmax，看斯坦福231n的时候好像讲过这个，但当时走神没认真听，大概是说分类问题要用这个激活函数配合下面这个【cross_entropy】(交叉熵？)的minimize来使用。
下面一句correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))就是将预测值和真实值比较具体怎么来的教程里也没说。以后看斯坦福231n或者别的资料也许能找到吧。

def compute_accuracy(v_xs, v_ys):
    global prediction
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result

从mnist里抽出100个样本进行训练,也算随机梯度下降吧。

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels))