Mnist手写体训练脚本和测试脚本含训练集和测试集

本资源包含一个Mnist手写体的训练脚本，可在环境配置好的情况下直接训练学习模型，然后可以根据模型输入任意照片，预测结果，直接可用，适合入门者。

# Copyright 2016 Niek Temme.
# Adapted form the on the MNIST expert tutorial by Google. 
#
# Licensed under the Apache License Version 2.0 （the “License“）;
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing software
# distributed under the License is distributed on an “AS IS“ BASIS
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================

“““A very simple MNIST classifier.
Documentation at
http://niektemme.com/ @@to do

This script is based on the Tensoflow MNIST expert tutorial
See extensive documentation for the tutorial at
https://www.tensorflow.org/versions/master/tutorials/mnist/pros/index.html
“““

#import modules
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#import data
mnist = input_data.read_data_sets（“../data/“ one_hot=True）

sess = tf.InteractiveSession（）

# Create the model
x = tf.placeholder（tf.float32 [None 784]）
y_ = tf.placeholder（tf.float32 [None 10]）
W = tf.Variable（tf.zeros（[784 10]））
b = tf.Variable（tf.zeros（[10]））
y = tf.nn.softmax（tf.matmul（x W） + b）

def weight_variable（shape）:
  initial = tf.truncated_normal（shape stddev=0.1）
  return tf.Variable（initial）

def bias_variable（shape）:
  initial = tf.constant（0.1 shape=shape）
  return tf.Variable（initial）


def conv2d（x W）:
  return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）

def max_pool_2x2（x）:
  return tf.nn.max_pool（x ksize=[1 2 2 1]
                        strides=[1 2 2 1] padding=‘SAME‘）


W_conv1 = weight_variable（[5 5 1 32]）
b_conv1 = bias_variable（[32]）

x_image = tf.reshape（x [-128281]）
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）
h_pool1 = max_pool_2x2（h_conv1）


W_conv2 = weight_variable（[5 5 32 64]）
b_conv2 = bias_variable（[64]）

h_conv2 = tf.nn.relu（conv2d（h_pool1 W_conv2） + b_conv2）
h_pool2 = max_pool_2x2（h_conv2）

W_fc1 = weight_variable（[7 * 7 * 64 1024]）
b_fc1 = bias_variable（[1024]）

h_pool2_flat = tf.reshape（h_pool2 [-1 7*7*64]）
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）

keep_prob = tf.placeholder（tf.float32）
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prob）

W_fc2 = weight_variable（[1024 10]）
b_fc2 = bias_variable（[10]）

y_conv=tf.nn.softmax（tf.matmul（h_fc1_drop W_fc2） + b_fc2）

# Define loss and optimizer
cross_entropy = -tf.reduce_sum（y_*tf.log（y_conv））
train_step = tf.train.AdamOptimizer（1e-4）.minimize（cross_entropy）
correct_prediction = tf.equal（tf.argmax（y_conv1） tf.argmax（y_1））
accuracy = tf.reduce_mean（tf.cast（correct_prediction tf.float32））


“““
Train the model and save the model to disk as a model2.ckpt file
file is stored in the same directory as this 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3979  2017-11-07 11:47  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\create_model_2.py
     文件        5227  2017-11-07 13:46  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\predict_2.py
     文件     7840016  1998-01-26 23:07  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\t10k-images.idx3-ubyte
     文件       10008  1998-01-26 23:07  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\t10k-labels.idx1-ubyte
     文件    47040016  1996-11-18 23:36  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\train-images.idx3-ubyte
     文件       60008  1996-11-18 23:36  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\train-labels.idx1-ubyte
     目录           0  2017-11-07 20:06  Mnist手写体训练脚本和测试脚本（含训练集和测试集）\