CNN中的MNIST数据集

MNIST(修改后的美国国家标准技术研究院)数据库是一个大型的手写数字或数字数据库，用于训练各种图像处理系统。该数据集还广泛用于机器学习领域的培训和测试。 MNIST数据库中的图像集是两个NIST数据库的组合：特殊数据库1和特殊数据库3。

MNIST数据集具有60,000个训练图像和10,000个测试图像。

MNIST数据集可以在线，并且本质上是各种手写数字的数据库。 MNIST数据集包含大量数据，通常用于证明深度神经网络的真正功能。我们的大脑和眼睛协同工作以识别任何编号的图像。我们的思维是一种强大的工具，并且能够快速对任何图像进行分类。数字的形状如此之多，我们的大脑可以轻松识别这些形状并确定数字是多少，但是对于计算机而言，完成相同的任务并不简单。只有一种方法可以做到这一点，那就是使用深度神经网络，它使我们可以训练计算机来有效地对手写数字进行分类。

因此，我们只处理了笛卡尔坐标系上包含简单数据点的数据。从开始到现在，我们一直在分发二进制类数据集。当我们使用多类数据集时，我们将使用Softmax激活函数对分类二进制数据集非常有用。并且在0到1之间的值排列中非常有效。sigmoid函数对于多因果数据集无效，因此，我们使用softmax激活函数来处理它。

MNIST数据集是一个由10个类组成的多层数据集，我们可以在其中对0到9之间的数字进行分类。之前使用的数据集与MNIST数据集之间的主要区别是在神经网络中输入MNIST数据的方法。

在感知模型和线性回归模型中，每个数据点均由简单的x和y坐标定义。这意味着输入层需要两个节点才能输入单个数据点。

在MNIST数据集中，单个数据点以图像形式出现。 MNIST数据集中包含的这些图像通常为28 * 28像素，例如与水平轴交叉的28个像素和与垂直轴交叉的28个像素。这意味着来自MNIST数据库的单个图像总共必须分析784个像素。我们的神经网络的输入层有784个节点来解释这些图像之一。

在这里，我们将看到如何创建一个函数，该函数是通过查看图像中的每个像素来识别手写数字的模型。然后使用TensorFlow训练模型，通过查看已标记的数千个示例来预测图像。然后，我们将使用测试数据集检查模型的准确性。

TensorFlow中的MNIST数据集，包含分为三部分的手写数字信息：

• 训练数据(mnist.train)-55000个数据点
• 验证数据(mnist.validate)-5000数据点
• 测试数据(mnist.test)-10000个数据点

在开始之前，重要的是要注意，每个数据点都有两个部分：一个图像(x)和一个描述实际图像的标签(y)，每个图像都是28×28数组，即784个数字。图像的标签是与TensorFlow MNIST图像相对应的0到9之间的数字。要下载和使用MNIST数据集，请使用以下命令：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

TensorFlow中的Softmax回归

TensorFlow MNIST从10到9的可能性只有十种。我们的目的是查看图像，并以特定的可能性说给定的图像是特定的数字。如果有可能，则使用Softmax，因为回归会给我们提供介于0和1之间的值，这些值总计为1。因此，我们的方法应该很简单。

我们将TensorFlow MNIST图像分类为特定类别，然后将其表示为正确与否的概率。现在，这完全取决于特定类中的所有对象，并且我们可以对像素强度进行加权求和。我们还需要增加一个偏见，以使某些事情更可能独立于输入。 Softmax对权重进行归一化并添加假设为负或零的权重。

TensorFlow中MNIST数据集的实现

使用TensorFlow MNIST数据集分类的好处是，它使我们能够描述完全在Python外运行的交互操作的图形。

首先，我们使用以下命令导入TensorFlow库

Import tensorflow as tf

然后我们创建一个占位符，当我们要求库使用以下命令运行计算时将输入该值

x = tf.placeholder (tf.float32, [None, 784])

然后，我们应该在模型中增加权重和偏差。使用变量，这是一个可修改的张量，在交互操作图中具有作用域。

W= tf.Variable (tf.zeros([784,10]))
b= tf.Variable(tf.zeros([10]))

请注意，W的形状为[784，10]，因为我们想通过将784维图像矢量乘以10维证据矢量来获得不同类别的证据。我们可以将b添加到输出中，因为它的形状为[10]。

TensorFlow MNIST-培训

我们通过将特征矩阵乘以权重并向其添加偏差，然后通过softmax函数运行来定义模型。

y = tf.nn.softmax(tf.matmul(x,W) +b)

我们使用成本函数或均方误差函数来找到结果与实际数据的偏差。误差越小，模型越好。另一个非常常见的函数是在衡量我们的预测效率如何时的交叉熵。该函数如下所述，其中y表示预测，y'是实际分布。我们通过添加一个占位符来实现它。

y_ =tf.placeholder(tf.float32, [None, 10])

然后通过定义交熵

cross_entropy= tf.reduce_mean(-tf.reduce_sum(y_ *tf.log(y), reduction_indices=[1]))

现在我们已经成功定义了模型，是时候训练它了。我们可以借助梯度下降和反向传播来做到这一点。还有许多其他优化算法可用，例如逻辑回归，动态松弛等。我们可以将学习速度为0.5的梯度下降用于成本函数优化。

train_step= tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

在训练之前，我们需要开始一个会话并初始化我们之前创建的变量。

sess= tf.InteractiveSession()

这将启动一个交互式会话，并通过以下方式初始化变量

tf.global_variables_initializer().run()

现在，我们必须训练网络。我们应该更改时期数以适合我们的模型。

for _in range (1000):
batch_xs, batch_ys =mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x:batch_xs, y_:batch_ys})

使用测试数据集检查准确性

我们通过将结果与测试数据集进行比较来检查准确性。在这里，我们可以使用tf.argmax函数，它使我们知道沿着特定轴的张量中最大值的索引。

correct_prediction = tf.equal (tf.argmax (y, 1),
tf.argmax(y_,1))

这给出了布尔值列表，然后在转换为浮点数后取平均值。

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

然后，我们可以通过

print (sess.run (accuracy, feed_dict= {x: mnist.test.images, y_:mnist.test.labels}))