深度学习基础 - MNIST实验（tensorflow+Softmax）

本文主要是介绍深度学习基础 - MNIST实验（tensorflow+Softmax），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

基于tensorflow开发框架，搭建softmax模型完成mnist分类任务。

本文的完整代码托管在我的Github PnYuan - Practice-of-Machine-Learning - MNIST_tensorflow_demo，欢迎访问。

1.任务背景

1.1.目的

以MNIST手写数字识别为课题，研究基本深度学习方法的应用。本文先从Softmax模型切入，以熟悉tensorflow下mnist任务的开发流程。之后的文章将陆续引入MLP、CNN等模型，以达到更优异的识别效果。

1.2.数据集

MNIST任务是图像识别领域经典的“Helloworld”。在其所提供的数据集中，包含了6w个训练样本和1w个测试样本，均为黑白图片，大小28×28，以灰度矩阵的形式存放，数值取浮点数“0~1”对应“白~黑”。给出一些图片（X）及对应标注（Y）如下图所示：

2.实验过程

实验参考代码：python + tensorflow

2.1.数据预研

MNIST数据的一些基本信息如下：

输入：image - 784 的向量 --> image size [28*28]
输出：label - int（0-10）
#train：55k
#valid：5k
#test：10k

基于tensorflow对mnist数据进行加载与测试的示例代码如下：

mnist = input_data.read_data_sets('../data/mnist_data/',one_hot=True)
X_train_org, Y_train_org = mnist.train.images, mnist.train.labels
X_valid_org, Y_valid_org = mnist.validation.images, mnist.validation.labels
X_test_org,  Y_test_org  = mnist.test.images, mnist.test.labels# check the shape of dataset
print("train set shape: X-", X_train_org.shape, ", Y-", Y_train_org.shape)
print("valid set shape: X-", X_valid_org.shape, ", Y-", Y_valid_org.shape)
print("test set shape: X-", X_test_org.shape, ", Y-", Y_test_org.shape)

2.2.Softmax建模

Softmax回归可看作是Logistic回归模型向多分类任务的拓展，其模型可描述如下图：

其公式表达如下：

写成向量化形式：

权值 W 和偏置 b 是这里需要学习的参数。

采用tensorflow可以轻松构建出Softmax模型，示例代码如下：

#========== Softmax Modeling ==========#
x = tf.placeholder("float", [None, 784])  # placeholder of inputW = tf.Variable(tf.zeros([784,10]))  # parameters (initial to 0)
b = tf.Variable(tf.zeros([10]))y = tf.nn.softmax(tf.matmul(x,W) + b)  # softmax computation graph

2.3.训练与测试

通过构建tensorflow对话（session），给定输入x，运行由x-->y的计算图（Computation Graph），后台可简单完成训练过程。这里采用的是简单的mini-batch Gradient Descent优化策略。

模型的训练样例代码如下：

y_ = tf.placeholder("float", [None, 10])  # placeholder of labelcross_entropy = -tf.reduce_sum(y_*tf.log(y))  # loss (cross-entropy)train_step = tf.train.GradientDescentOptimizer(learning_rate = 0.01).minimize(cross_entropy)  # using GD#========== Training ==========#
init = tf.global_variables_initializer()sess = tf.InteractiveSession()  # initial a session
sess.run(init)for i in range(1000):  # iterate  for 100 timesbatch_xs, batch_ys = mnist.train.next_batch(100)  # using mini-batchsess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

在验证集与测试集上评估所学模型的效果，以预测准确率（accuracy）为指标，得出结果如下：

valid accuracy 0.927
test accuracy 0.9208

可以看出，Softmax模型在经过一定时间的训练之后，达到了九成的分类准确率。与MNIST官网给出的线性分类器（单层NN）的准确级别相近。

3.实验小结

这里采用tensorflow开发框架搭建了Softmax多分类模型，实现了超过90%的测试准确率。模型的搭建以及训练测试过程十分简便。据tensorflow官网所述，使用多层神经网络等更复杂的模型还可进一步提升分类效果，接下来的文章，将对此进行跟进。

4.参考资料

• 基础教程：tensorflow官网 - MNIST机器学习入门
• 辅助资料：TensorFlow中的Nan值的陷阱

这篇关于深度学习基础 - MNIST实验（tensorflow+Softmax）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---