| 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960 |
- from datasets import Datasets
- from exts import get_one_hot
- import tensorflow.compat.v1 as tf
- tf.disable_v2_behavior()
- # softmax回归算法
- def main():
- # 加载数据集
- train_data, vaild_data, test_data = Datasets.load_mnist()
- x_train, y_train = train_data
- x_test, y_test = test_data
- # one-hot编码又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时刻，其中只有一位有效。
- y_train = get_one_hot(y_train)
- y_test = get_one_hot(y_test)
- # 每次训练的数据子集的个数
- batch_size = 100
- # 设置占位符 x对应整个系统输入，是一个维度为784的向量集合，且长度不限制
- x = tf.placeholder("float", [None, 784])
- # y_整个系统的输出，对 应一个维度为10的向量集合
- y_ = tf.placeholder("float", [None, 10])
- # x的维度为784，所以W为一个784乘以10的数组
- W = tf.Variable(tf.zeros([784, 10]))
- # b是一个维度为10的向量
- b = tf.Variable(tf.zeros([10]))
- # 整个系统的操作函数(softmax回归算法)
- y = tf.nn.softmax(tf.matmul(x, W) + b)
- # 定义衰减函数，这里的衰减函数使用交叉熵来衡量，通过梯度下降算法以0.01的学习速率最小化交叉熵(训练模型)
- cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
- train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
- # 初始化全部变量并定义会话
- init = tf.initialize_all_variables()
- sess = tf.Session()
- sess.run(init)
- # 顺序取出100个数据用于训练
- for i in range(int(len(x_train) / batch_size)):
- batch_xs = x_train[(i * batch_size):((i + 1) * batch_size)]
- batch_ys = y_train[(i * batch_size):((i + 1) * batch_size)]
- sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
- # 数据验证(评估我们的模型)
- correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
- # 把布尔值转换成浮点数，然后取平均值
- accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
- print(sess.run(accuracy, feed_dict={x: x_test, y_: y_test})) # 0.9097
- if __name__ == "__main__":
- main()
|
