用全连接对手写数字识别案例（附解决TensorFlow2.x没有examples问题）-编程知识

用全连接对手写数字识别案例（附解决TensorFlow2.x没有examples问题）

数据集介绍

数据集直接调用可能出现问题，建议从官网直接下载下来，下载存在这四个文件

手写数字识别数据集下载：

链接：https://pan.baidu.com/s/1nqhP4yPNcqefKYs91jp9ng?pwd=xe1h
提取码：xe1h

55000行训练数据集（minst.train）和10000行测试数据集（mnist.test）。

每一个数据单元分为两部分：一张含手写数字的图片和一个对应的标签训练数据集图片mnist.train.images,训练数据集的标签是mnist.train.labels

特征值：黑白图片，每张包含28像素*28像素

目标值：分类 --one-hot编码那一列标号为1属于哪个类别（0-9数字表示10列，对应看标号1属于哪列表示哪个值）

Mnist数据获取API

TensorFlow框架自带了获取这个数据集的接口，我们直接调用即可

》from trnsorflow.exampls.tutorials.mnist import_data

mnist = input_data.read_data_sets(path,one_hot = True)

mnist.train.next_batch(100) 提供批量获取

mnist.train.image、 labels

mnist.test.image、 labels

实战

1、网络设计采用一层，即最后一个输出层的神经网络 ----全连接神经网络

2、全连接层计算

y = w1x1 +w2x2+....+b

x[None,784] * weights[784,10] + bias[10]= y_predict[None,10]

平均损失：error=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,

logits=y_predict, name=None))

优化损失:梯度下降

计算准确率：比较输出结果最大值所在位置和真实值的最大值所在位置一致返回1不一致返回0

计算平均

3、代码：

import tensorflow as tf
from tensorflow.examples.speech_commands import input_datatf.compat.v1.disable_eager_execution()
from tensorflow.examples.tutorials.mnist import input_datadef full_connection():"""用全连接对手写数字进行识别:return:"""# 1）准备数据mnist = input_data.read_data_sets("D:\heima\Python深度之神经网络资料\02-代码\mnist_data", one_hot=True)# 用占位符定义真实数据X = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 784])y_true = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 10])# 2）构造模型 - 全连接# [None, 784] * W[784, 10] + Bias = [None, 10]weights = tf.Variable(initial_value=tf.compat.v1.random_normal(shape=[784, 10], stddev=0.01))bias = tf.Variable(initial_value=tf.compat.v1.random_normal(shape=[10], stddev=0.1))y_predict = tf.matmul(X, weights) + bias# 3）构造损失函数loss_list = tf.nn.softmax_cross_entropy_with_logits(logits=y_predict, labels=y_true)loss = tf.reduce_mean(loss_list)# 4）优化损失# optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)optimizer = tf.compat.v1.train.AdamOptimizer(learning_rate=0.01).minimize(loss)# 5）增加准确率计算bool_list = tf.equal(tf.argmax(y_true, axis=1), tf.argmax(y_predict, axis=1))accuracy = tf.reduce_mean(tf.cast(bool_list, tf.float32))# 初始化变量init = tf.compat.v1.global_variables_initializer()# 开启会话with tf.compat.v1.Session() as sess:# 初始化变量sess.run(init)# 开始训练for i in range(5000):# 获取真实值image, label = mnist.train.next_batch(500)_, loss_value, accuracy_value = sess.run([optimizer, loss, accuracy], feed_dict={X: image, y_true: label})print("第%d次的损失为%f，准确率为%f" % (i+1, loss_value, accuracy_value))return Noneif __name__ == "__main__":full_connection()