Tensorflow-MNIST資料集分類簡單實作

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

#載入資料集,one_hot:将标簽轉換為隻有一位為1，其它為0，會自動從網上下載下傳資料集到目前目錄
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

#每個批次的大小
batch_size=100
#計算一共有多少個批次（整除）
n_batch=mnist.train.num_examples//batch_size

#該神經網絡隻輸入層和輸出層，輸入層包含784個神經元，輸出層包含10個神經元
#定義兩個placeholder,将28*28數字圖檔偏平為規格為784的向量
x=tf.placeholder(tf.float32,[None,784])
#标簽結果
y=tf.placeholder(tf.float32,[None,10])

#建立一個簡單的神經網絡
#權值初始化為0,  784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将輸出轉化為機率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

#二次代價函數,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代價函數的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化變量
init=tf.global_variables_initializer()

#tf.argmax(y,1)傳回1的位置(真實值)，tf.argmax(prediction,1)(預測值)傳回機率值最大的位置，比較位置是否相等，若想等傳回true，不等傳回false，存放在布爾清單中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()傳回一維張量中最大值的位置
#求準确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    # 對所有圖檔疊代21次
    for epoch in range(21):
        #對所有圖檔分批訓練一次
        for batch in range(n_batch):
            #擷取一批(100個)樣本圖檔,batch_xs:圖檔資訊，batch_ys:圖檔标簽
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            #利用訓練圖檔資訊及對應标簽，梯度下降法訓練模型，得到權重W及b
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        #利用測試集進行測試該疊代時模型的準确率
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        #列印疊代次數及對應準确率
        print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))




           

采用二次代價函數時運作結果：

采用交叉熵代價函數時的運作結果: