怎么用Tensorflow完成手寫數字識別

這篇文章給大家介紹怎么用Tensorflow完成手寫數字識別，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

深度學習最經典的任務問題就是分類。通過分類，我們可以將照片中的數字，人臉，動植物等等分到它屬于的那一類當中，完成識別。接下來，我就帶著大家一起完成一個簡單的程序，來實現經典問題手寫數字識別。

數據集

我們第一步需要收集一堆手寫數據，并且將每個手寫數字都標號類別，用來做成數據集。對于深度學習而言，一般的數據集大小至少上萬起。所以收集數據這個工作還是比較繁瑣的。不過呢，有人已經幫我們弄好了數據集，這就是鼎鼎有名的MNIST數據集。

MNIST數據集是一個標準的手寫數據集，如上圖所示，數據集里面有六萬個手寫數字且都標記完全。其中有五萬個手寫數字作為訓練集，另外一萬作為測試集。

這里有一份傳送門：

http://yann.lecun.com/exdb/mnist/

我們并不需要事先下載MNIST數據集，Tensorflow幾行代碼就可以搞定：

搭建網絡

準備好了數據集之后，我們開始用Tensorflow搭建神經網絡模型：

1.輸入輸出

tf.placeholder是占位符的意思，先把坑填好，之后會有數據填充進去。其中y_是輸入對應的正確的數字標簽，x就是手寫數字照片。

2.網絡主體

我們建立了一個四層全連接網絡，每一層的網絡寬度都是400。因為MNIST數據集的數字照片都是28*28的，所以第一層網絡的權重的形狀是[784,400]，注意到我們使用了Dropout技術，所以代碼中有tf.nn.dropout。對于最后一層我們用softmax技術，將對0-9數字的預測歸一化，變成一個概率。

3.損失函數和優化器

對于損失函數，我們選擇了平方差函數，其實就是線性規劃。而優化器我們選擇了Adam，是目前主流的優化器。

訓練網絡

1.初始化

我們在這里做了兩件事情，一個是初始化網絡中變量，第二個建立一個存儲器，用來存儲訓練過程的一些變量。

2.訓練

第一行的循環是控制循環的次數，我們使用了隨機梯度訓練，就是每次更新參數的時候并不是一次性把五萬張照片一起塞進去，而是從中隨機選出來作為一個batch來訓練，這樣的做的好處是可以大大減輕計算量。我們需要在每一步都在訓練集上面訓練來更新網絡的參數，接著我們一定步驟后在測試集上面看看我們的訓練效果。

3.執行程序

才開始訓練集和測試集上的準確率是在10%附近，這是因為在網絡的參數沒有更新的時候，所有參數都是隨機的，相當于我們在瞎猜。一共有十個數字，所以猜對的概率是十分之一。之后，隨著訓練的進行，訓練集和測試集上的準確率都在增加。我們同時觀察訓練集和測試集上的準確率，是防止網絡過擬合把我們欺騙了。

訓練到一定步時，我們發現訓練集的準確率已經接近百分之百了，測試集上的準確率也達到了百分之九十七以上。簡簡單單的四層就能做到如此之高的準確率，可見神經網絡之神奇！

關于怎么用Tensorflow完成手寫數字識別就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。