tensorflow手写数字识别python源码案例

tensorflow手写数字识别python源码官网案例，带详细注释，适合刚初学tensorflow的mnist数据集训练识别， 相关链接： 手写数字识别 ----在已经训练好的数据上根据28*28的图片获取识别概率（基于Tensorflow,Python） https://www.cnblogs.com/motao9527/p/10190987.html

# 手写数字识别  ----Softmax回归模型
# regression
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
data = input_data.read_data_sets（“/tmp/data/“ one_hot=True）  # 获取数据 mnist是一个轻量级的类，其中以Numpy数组的形式中存储着训练集、验证集、测试集。


# 一个对手写数字进行识别的模型。
# 思路：
# 1、将训练集中获取的手写数字图像进行某一统一方式（全部按行或全部按列）的展开，
# 得到一个长向量（这是为了利用softmax做一维的回归，不过损失了二维信息），
# 用一个二维张量来索引某一个样本中的某一像素。
# 2、softmax模型：用来给不同的对象分配概率（即使在更精细的模型中，最后一步，往往也需要用softmax来分配概率）
# 两步：
# ① 加权求和，并引入偏置
# 对于给定输入图片x，其代表图像为数字i的证据为
# evidencei =∑i（wi jxj） + bi
# evidence_i =∑_i（w_{i j}x_j）+b_ievidencei=∑i​（wi jxj） + bi
# ② 用softmax函数将evidence转换成概率，即
# y = softmax（evidence）
# y = softmax（evidence）
# y = softmax（evidence）
# 将输入值当成幂指数求值，再正则化这些结果
# 更紧凑的写法为
# y = softmax（Wx + b）
# y = softmax（Wx + b）
# y = softmax（Wx + b）
# 3、为了节省在python外使用别的语言进行复杂矩阵运算带来的开销，TensorFlow做出的优化为，先用图描述一系列可交互的操作，最后统一放在python外执行。
# 用占位符placeholder来描述这些可交互的单元：
# ---------------------
# 作者：Crystal 
# 来源：CSDN
# 原文：https: // blog.csdn.net / weixin_43226400 / article / details / 82749769
# 版权声明：本文为博主原创文章，转载请附上博文链接！


#http://www.cnblogs.com/rgvb178/p/6052541.html 相关说明
# Softmax Regression Model        Softmax回归模型
def regression（x）:
    W = tf.Variable（tf.zeros（[784 10]） name=“W“）
    b = tf.Variable（tf.zeros（[10]） name=“b“）
    y = tf.nn.softmax（tf.matmul（x W） + b）
    # print（y）
    return y [W b]


# model 声明占位符
with tf.variable_scope（“regression“）:
    x = tf.placeholder（tf.float32 [None 784]）
    y variables = regression（x）

# 用交叉熵（cross - entropy）来评判模型的好坏，其表达式为
# Hy′（y） =−∑iy′ilog（yi）
# 其中y是预测的概率分布，y’是实际的概率分布（即训练集对应的真实标签，是一个one - hotvector）定义


# train  开始训练模型
y_ = tf.placeholder（“float“ [None 10]）
# 计算交叉熵
cross_entropy = -tf.reduce_sum（y_ * tf.log（y））
# tensorflow可以自动利用反向传播算法，根据选择的优化器来最小化你的目标函数
train_step = tf.train.GradientDescentOptimizer（0.01）.minimize（cross_entropy）
# tf.argmax给出对象在某一维度上最大值所对应的索引值，可以用来判断预测是否准确，即
correct_prediction = tf.equal（tf.argmax（y 1） tf.argmax（y_ 1））
# equal函数返回布尔值，用cast函数转化为浮点数后求均值来计算正确率
accuracy = tf.reduce_mean（tf.cast（correct_prediction tf.float32））

saver = tf.train.Saver（variables）
with tf.Session（） as sess:
    # 初始化操作
    sess.run（tf.global_variables_initializer（））
    for _ in range（10000）:
        batch_xs batch_ys = data.train.next_batch（100）
        # 此为随机梯度下降训练，每次训练随机抓取训练集中的100个数据作为一个batch
        sess.run（train_step feed_dict={x: batch_xs y_: batch_ys}）

    # 计算学习到的模型在训练集上的准确率
    print（sess.run（accuracy feed_dict={x: data.test.images y_: data.test.labels}））

    # 保存训练结果
    # print（os.path.join（os.path.dirname（__file__） ‘data‘ ‘regression.ckpt‘））
    # //绝对路径包含中文字符可能导致路径不可用  相对路径：‘mnist/data/regression.ckpt‘
    path = saver.save（
        sess ‘mnist/data/regression.ckpt‘
        write_meta_graph=False write_state=False）
    print（“Saved:“ path）

    # path = saver.save（
    #     sess os.path.join（os.path.dirname（__file__） ‘mnist\data‘ ‘regression.ckpt‘）wri

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4641  2018-12-28 15:21  tensorflow手写文字识别python源码案例\Softmax回归模型.py

     文件      12755  2018-12-28 15:24  tensorflow手写文字识别python源码案例\卷积神经网络模型.py

     文件       3298  2018-12-28 15:33  tensorflow手写文字识别python源码案例\识别.py

     目录          0  2018-12-28 15:52  tensorflow手写文字识别python源码案例

----------- ---------  ---------- -----  ----

                20694                    4