TensotFlow 應用例項：09-classification 分類器

TensotFlow 應用例項：09-classification 分類器

本文是我在學習TensotFlow 的時候所記錄的筆記，共享出來希望能夠幫助一些需要的人。

classification 是一個分類器，用來解決分類的問題
在之前的例子中都是一些線性迴歸的問題，或者非線性資料，輸入輸出就是一(組)對一(組)的數值，之前的都是一些連續的資料，輸出同樣是一組連續的資料

classification是一些分類的問題，輸入的是一組資料，輸出的結果是一組概率，整組概率的值相加結果為1，可以選擇最接近1的值做為輸出的結果

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


# classification 是一個分類器的問題
# 在之前的例子中都是一些線性迴歸的問題，或者非線性資料，輸入輸出就是一(組)對一(組)的數值
# 之前的都是一些連續的資料

# classification是一些分類的問題，輸入的是一組資料，輸出的結果是一組概率，整組概率的值相加
# 結果為1，可以選擇最接近1的值做為輸出的結果

# number 1 to 10 image data
# 如果本地沒有相應的資料包，會先下載，然後解壓資料包
# MNIST_data 是下載資料要儲存的位置
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 新增神經層
def add_layer(inputs, in_size, out_size, activation_function=None):
    # Weights define
    # 權重，儘量要是一個隨機變數
    # 隨機變數在生成初始變數的時候比全部為零效果要好的很多
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    # biases define
    # 偏值項，是一個列表，不是矩陣，預設設定為0 + 0.1
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # W * x + b
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    # 如果activation_function是空的時候就表示是一個線性關係直接放回即可
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs


# 計算精確度
# compute_accuracy 要使用
def compute_accuracy(v_xs, v_ys):
    global prediction
    #
    y_pre = sess.run(prediction, feed_dict={xs: v_xs})
    correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    # result 是一個百分比，百分比越高證明越準確
    result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys})
    return result

# define placeholder for inputs to network
# 輸入時一個28*28畫素的圖片 28 * 28 = 784
# 輸出是一個0到9數字概率的矩陣
# 資料形式是float32
# None表示不規定有多少個sample, 可以為任意多
xs = tf.placeholder(tf.float32, [None, 784])
ys = tf.placeholder(tf.float32, [None, 10])

# add output layer
# activation_function 使用的softmax
# softmax 經常用在做分類器的
# prediction 預測值，是一個1*10的概率矩陣
prediction = add_layer(xs, 784, 10,  activation_function=tf.nn.softmax)

# the error between prediction and real data
# loss function
# cross_entropy 分類的時候經常使用softmax + cross_entropy來計算的
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()

# important step
# tf.initialize_all_variables() no long valid from
# "2017-03-02", "Use `tf.global_variables_initializer` instead."
init = tf.global_variables_initializer()
sess.run(init)


for i in range(1000):
    # 從下載好的資料中提取 100 個來學習
    # 分批的原因是為了更快的看到結果
    # 而且這種方式也不會比全部載入的效果差

    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})
    if i % 50 == 0:
        print(compute_accuracy(mnist.test.images, mnist.test.labels))

本文程式碼GitHub地址 tensorflow_learning_notes