简单探索MNIST（Softmax回归和两层CNN）-Tensorflow学习

桃扇骨 2022-03-10 07:05 307阅读 0赞

## 简述 ##

> 这次是在看《21个项目玩转深度学习》那本书的第一章节后做的笔记。

这段时间，打算把TensorFlow再补补，提升一下技术水平~  
希望我能坚持下来，抽空把这本书刷下来吧~

## 导入数据 ##

*  下面的代码会直接下载数据，如果没有那个文件夹的话，但是，如果有这个文件夹而且里面有那几个文件的话，就会直接调用那个数据。
 *  这次直接在网上搜`MNIST下载`，就知道怎么下载啦~ **这里我更关注TensorFlow和算法本身**

from tensorflow.examples.tutorials.mnist import input_data 
    mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

print(mnist.train.images.shape)
    print(mnist.test.images.shape)

(55000, 784)  
(10000, 784)

比较有意思的是，这里的labels的数据安排。

*  比如说，这就是第一个图片的所对应的信息。表示是7。

[0, 0 ,0 , 0 ,0 ,0 ,0 , 1 ,0 ,0 ]

书中比较有意思的介绍了**Softmax回归**，之前虽然有用过Softmax，也大致知道意思，但却没有较为详细的了解过它。这倒是这次阅读的惊喜。

## Softmax回归 ##

Softmax回归，来自于Logistics 回归。只不过逻辑回归只是binary classification的活动，而Softmax就可以实现多元的回归的情况。  
意思很简单，就是返回某个物体属于labels的概率集合。然后选择概率最大的label。

现在对每个类做分析。和Logistics regression一样，先会有一个线性函数来给每个类打分。同样的，这个分数是在实数范围内的，但是概率空间只有0和1，所以需要做个映射。

**分数**为（a, b, c）时，对应的概率分别为：

现在我们回想起logistics regression的sigmoid函数，会发现，其实就是假设了另外一个label的得分永远为0的情况。

所以Softmax模型其实为

y = S o f t m a x ( W T x + b ) y=Softmax(W^Tx+b) y=Softmax(WTx\+b)

## 继续实验部分 ##

*  导入tf包

import tensorflow as tf

tensorflow是静态图。其实很简单，就是我们需要手动的描述一张图。把整个图画完之后，再传递参数进去，让它自己开始运行（session）。

*  描述这张图
 *  下面我们给出了几个定义。最后一个 其实表示的是真正的label值。而y是我们算出来的值。

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

*  给出损失函数和训练器

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y)))  # 使用交叉熵
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

*  创建会话并开始运行

sess = tf.InteractiveSession()  # 创建Session
    tf.global_variables_initializer().run() # 给所有的变量初始化，分配内存

*  训练， 每次用mini batch的思路选几个来做
 *  注意每次都需要把整个图跑一遍

for _ in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={ x:batch_xs, y_:batch_ys})

*  算一下准确度

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,  tf.float32))

输出一下:

print(sess.run(accuracy, feed_dict={ x:mnist.test.images, y_:mnist.test.labels}))

Tips：如果想单独看下某个数据，可以使用下面的方法

a = sess.run(correct_prediction, feed_dict={ x:mnist.test.images, y_:mnist.test.labels})

然后我们会很惊奇的发现，这其实是一个numpy的数据

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ExOTk5MDQxMg_size_16_color_FFFFFF_t_70]

## 使用卷积神经网络来实现 ##

*  创建占位符

x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])
    x_image = tf.reshape(x, [-1, 28, 28, 1])

*  创建复用的函数

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 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')

*  卷积

# 第一层卷积
    W_conv1 = weight_variable([5,5,1,32])
    b_conv1 = bias_variable([32])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1)+b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

# 第二层卷积
    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)

*  全连接层

# 全连接层
    W_fc1 = weight_variable([7 * 7 * 64, 1024])
    b_fc1 = weight_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)
    # 使用Dropout，防止过拟合
    keep_prob = tf.placeholder(tf.float32)
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
    b_fc2 = weight_variable([10])
    y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

*  误差和损失

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
    correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,  tf.float32))

*  训练

sess = tf.InteractiveSession()  # 创建Session
    tf.global_variables_initializer().run() # 给所有的变量初始化，分配内存
    for i in range(20000):
        batch = mnist.train.next_batch(50)
        if i % 1000 == 0:
            train_accuracy = accuracy.eval(feed_dict={ x:batch[0], y_:batch[1], keep_prob:1.0})
            print(train_accuracy)
        train_step.run(feed_dict={ x:batch[0], y_:batch[1], keep_prob:0.5})

结果可以达到接近100%

感觉还不错~

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ExOTk5MDQxMg_size_16_color_FFFFFF_t_70]: /images/20220310/37d57fd9ac274fc39867a3ce20ef6f26.png