# 1加载数据 digits_data = load_digits()
可以先简单查看下 手写数字集，如下可以隐约看出数字为8
plt.imshow(digits_data.images[8]) plt.show()
# 数据划分 x_data = digits_data.data y_data = digits_data.target
# 训练集 + 测试集 x_test = x_data[:40] y_test = y_data[:40] x_train = x_data[40:] y_train = y_data[40:] # 概率问题 y_train_2 = np.zeros(shape=(len(y_train), 10))
input_size = digits_data.data.shape[1] # 输入的列数 # 数据流图的构建 # x:输入64个特征值--像素 x = tf.placeholder(np.float32, shape=[None, input_size]) # y:识别的数字 有几个类别[0-9] y = tf.placeholder(np.float32, shape=[None, 10])
5.1 第一层
# 第一层隐藏层 # 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布 w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1)) # b的个数就是隐藏层神经元的个数 b1 = tf.Variable(tf.constant(0.01), [80]) # 第一层计算 one = tf.matmul(x, w1) + b1 # 激活函数 和0比 大于0则激活 op1 = tf.nn.relu(one)
5.2 第二层
# 第二层隐藏层 上一层输出为下一层输入 # 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布 w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1)) # b的个数就是隐藏层神经元的个数 b2 = tf.Variable(tf.constant(0.01), [10]) # 第一层计算 two = tf.matmul(op1, w2) + b2 # 激活函数 和0比 大于0则激活 op2 = tf.nn.relu(two)
# 构建损失函数 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
# 变量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 开启会话
with tf.Session() as sess:
sess.run(init)
# 训练次数
for i in range(500):
# 数据分组
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 输出损失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss) obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'model-digits.ckpt')
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加载数据
digits_data = load_digits()
# 查看数据
# print(digits_data)
# 查看数据基本特征 (1797, 64) 64:8*8像素点
# print(digits_data.data.shape)
# plt.imshow(digits_data.images[8])
# plt.show()
# 数据划分
x_data = digits_data.data
y_data = digits_data.target
# 训练集 + 测试集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率问题
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 对应的分类 当前行对应列变成1
for index, row in enumerate(y_train_2):
# 当前行 对应的数字对应列
row[int(y_train[index])] = 1
# print(y_train_2[0])
input_size = digits_data.data.shape[1] # 输入的列数
# 数据流图的构建
# x:输入64个特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:识别的数字 有几个类别[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一层隐藏层
# 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一层计算
one = tf.matmul(x, w1) + b1
# 激活函数 和0比 大于0则激活
op1 = tf.nn.relu(one)
# 第二层隐藏层 上一层输出为下一层输入
# 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一层计算
two = tf.matmul(op1, w2) + b2
# 激活函数 和0比 大于0则激活
op2 = tf.nn.relu(two)
# 构建损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 优化器 learning_rate学习率(步长)
Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
# 变量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 开启会话
with tf.Session() as sess:
sess.run(init)
# 训练次数
for i in range(500):
# 数据分组
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 输出损失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss)
obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'modelSave/model-digits.ckpt')损失值在0.303左右，如下图所示
对上一步创建的模型，使用测试
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加载数据
digits_data = load_digits()
# 数据划分
x_data = digits_data.data
y_data = digits_data.target
# 训练集 + 测试集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率问题
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 对应的分类 当前行对应列变成1
for index, row in enumerate(y_train_2):
# 当前行 对应的数字对应列
row[int(y_train[index])] = 1
# 网络搭建
num_class = 10 # 数字0-9
hidden_num = 80 # 神经元个数
input_size = digits_data.data.shape[1] # 输入的列数
# 数据流图的构建
# x:输入64个特征值--像素
x = tf.placeholder(np.float32, shape=[None, 64])
# y:识别的数字 有几个类别[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一层隐藏层
# 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一层计算
one = tf.matmul(x, w1) + b1
# 激活函数 和0比 大于0则激活
op1 = tf.nn.relu(one)
# 第二层隐藏层 上一层输出为下一层输入
# 参数1 输入维度 参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一层计算
two = tf.matmul(op1, w2) + b2
# 激活函数 和0比 大于0则激活
op2 = tf.nn.relu(two)
# 变量初始化
init = tf.global_variables_initializer()
train_count = 500
batch_size = 100
data_size = x_train.shape[0]
pre_max_index = tf.argmax(op2, 1)
plt.imshow(digits_data.images[13]) # 3
plt.show()
with tf.Session() as sess:
sess.run(init)
# 使用网络
obj = tf.train.Saver()
obj.restore(sess, 'modelSave/model-digits.ckpt')
print(sess.run(op2, feed_dict={x: [x_test[13], x_test[14]]}))
print(sess.run(pre_max_index, feed_dict={x: [x_test[13], x_test[14]]}))想要测试的数据，如下图所示
使用模型测试出来的结果，如下图所示，模型基本能够使用
