Question

作者: Mark JingNB 编辑: Morvan

• 学习资料:
  • 相关代码

这次我们会介绍如何使用 TensorFlow 解决 Classification（分类）问题。 之前的视频讲解的是 Regression (回归) 问题。 分类和回归的区别在于输出变量的类型上。 通俗理解定量输出是回归，或者说是连续变量预测； 定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务； 把东西分成几类，比如猫狗猪牛，就是一个分类任务。

首先准备数据（MNIST 库）

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

MNIST 库是手写体数字库，差不多是这样子的

数据中包含 55000 张训练图片，每张图片的分辨率是 28×28，所以我们的训练网络输入应该是 28×28=784 个像素数据。

xs = tf.placeholder(tf.float32, [None, 784]) # 28x28

每张图片都表示一个数字，所以我们的输出是数字 0 到 9，共 10 类。

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

调用 add_layer 函数搭建一个最简单的训练网络结构，只有输入层和输出层。

prediction = add_layer(xs, 784, 10, activation_function=tf.nn.softmax)

其中输入数据是 784 个特征，输出数据是 10 个特征，激励采用 softmax 函数，网络结构图是这样子的

loss 函数（即最优化目标函数）选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零。

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss

train 方法（最优化算法）采用梯度下降法。

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()
# tf.initialize_all_variables() 这种写法马上就要被废弃
# 替换成下面的写法:
sess.run(tf.global_variables_initializer())

现在开始 train，每次只取 100 张图片，免得数据太多训练太慢。

batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys})

每训练 50 次输出一下预测精度

if i % 50 == 0:
        print(compute_accuracy(
            mnist.test.images, mnist.test.labels))

输出结果如下：

有没有很惊讶啊，如此简单的神经网络结构竟然可以达到这样的图像识别精度，其实稍作改动后，识别的精度将大幅提高。 请关注后续课程哦。

如果你觉得这篇文章或视频对你的学习很有帮助，请你也分享它，让它能再次帮助到更多的需要学习的人。