import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data trainimg = mnist.train.images trainlabel = mnist.train.labels testimg = mnist.test.images testlabel = mnist.test.labels print(trainlabel[0]) #输出第一行label值 运行结果：
判别样本是否为对应类别，是则为1，否则为0，完成10分类任务，故上述样本的类别为9。
#初始化变量 x = tf.placeholder("float",[None,784]) #placeholder（先占位，不复制）,[None,784]样本的个数（无限大），每个样本的特征（784个像素点） y = tf.placeholder("float",[None,10])#样本的类别（10个） W = tf.Variable(tf.zeros([784,10]))#每个特征（784个像素点）对应输出10个分类值 b = tf.Variable(tf.zeros([10])) #逻辑回归模型（softmax完成多分类任务） actv = tf.nn.softmax(tf.matmul(x,W)+b)#计算属于正确类别的概率值 #计算损失值（预测值与真实值间的均方差） cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(actv),reduction_indices=1)) #采用梯度下降优化参数（W，b）,最小化损失值 learning_rate=0.01 optm = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #学习率为0.01 #optimizer = tf.train.GradientDescentOptimizer(0.01)#学习率为0.01 #最小化损失值 #optm = optimizer.minimize(cost) #预测值，equal返回的值是布尔类型 #argmax返回矩阵中最大元素的索引，0，代表列方向；1代表行方向 pred = tf.equal(tf.argmax(actv,1),tf.argmax(y,1)) #准确率 accr = tf.reduce_mean(tf.cast(pred,"float")) #cast进行类型转化 （true为1，false为0） init_op = tf.global_variables_initializer() #定义全局变量 training_epochs = 50 #将所有样本迭代50次 batch_size = 100 #每次迭代选择样本的个数 display_step =5 #每进行5个epoch进行一次展示 with tf.Session() as sess: sess.run(init_op) for epoch in range(training_epochs): avg_cost =0.0 # 初始化损失值 num_batch = int(mnist.train.num_examples/batch_size) for i in range(num_batch): batch_xs, batch_ys = mnist.train.next_batch(batch_size) #以batch为单位逐次进行 sess.run(optm,feed_dict={x: batch_xs,y: batch_ys}) #给x，y赋值 feeds={x: batch_xs,y: batch_ys} avg_cost +=sess.run(cost,feed_dict= feeds)/num_batch #显示 if epoch % display_step == 0: feeds_train = {x: batch_xs,y: batch_ys} feeds_test = {x:mnist.test.images,y: mnist.test.labels} train_acc = sess.run(accr,feed_dict= feeds_train) test_acc = sess.run(accr,feed_dict= feeds_test) print("Epoch: %03d/%03d cost:%.9f trian_acc: %.3f test_acc: %.3f" % (epoch,training_epochs,avg_cost,train_acc,test_acc)) print("Done") 运行结果：
由上图可知训练集的准确率为91%，测试集的准确率为91.8%。
文章来源: https://blog.csdn.net/qq_43660987/article/details/92382330