單層的基礎神經網絡基于TensorFlow如何實現手寫字識別

本篇文章為大家展示了單層的基礎神經網絡基于TensorFlow如何實現手寫字識別，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

先上代碼

import tensorflow  from tensorflow.examples.tutorials.mnist import input_data  import matplotlib.pyplot as plt    # 普通的神經網絡學習  # 學習訓練類  class Normal:        weight = []      biases = []        def __init__(self):          self.times = 1000          self.mnist = []          self.session = tensorflow.Session()          self.xs = tensorflow.placeholder(tensorflow.float32, [None, 784])          self.ys = tensorflow.placeholder(tensorflow.float32, [None, 10])          self.save_path = 'learn/result/normal.ckpt'        def run(self):          self.import_data()          self.train()          self.save()        def _setWeight(self,weight):          self.weight = weight        def _setBiases(self,biases):          self.biases = biases        def _getWeight(self):          return self.weight        def _getBiases(self):          return self.biases      # 訓練      def train(self):            prediction = self.add_layer(self.xs, 784, 10, activation_function=tensorflow.nn.softmax)            cross_entropy = tensorflow.reduce_mean(              -tensorflow.reduce_sum(                  self.ys * tensorflow.log(prediction)                  , reduction_indices=[1])          )          train_step = tensorflow.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)            self.session.run(tensorflow.global_variables_initializer())            for i in range(self.times):              batch_xs, batch_ys = self.mnist.train.next_batch(100)              self.session.run(train_step, feed_dict={self.xs: batch_xs, self.ys: batch_ys})              if i % 50 == 0:                  # images 變換為 labels，images相當于x，labels相當于y                  accurary = self.computer_accurary(                      self.mnist.test.images,                      self.mnist.test.labels,                      prediction                  )        # 數據導入      def import_data(self):          self.mnist = input_data.read_data_sets('MNIST_data', one_hot=True)        # 數據保存      def save(self):          saver = tensorflow.train.Saver()          path = saver.save(self.session,self.save_path)        # 添加隱藏層      def add_layer(self,inputs,input_size,output_size,activation_function=None):            weight = tensorflow.Variable(tensorflow.random_normal([input_size,output_size]),dtype=tensorflow.float32,name='weight')            biases = tensorflow.Variable(tensorflow.zeros([1,output_size]) + 0.1,dtype=tensorflow.float32,name='biases')          Wx_plus_b = tensorflow.matmul(inputs,weight) + biases            self._setBiases(biases)          self._setWeight(weight)            if activation_function is None:              outputs = Wx_plus_b          else:              outputs = activation_function(Wx_plus_b,)            return outputs          # 計算結果數據與實際數據的正確率      def computer_accurary(self,x_data,y_data,tf_prediction):            prediction = self.session.run(tf_prediction,feed_dict={self.xs:x_data,self.ys:y_data})            # 返回兩個矩陣中***值的索引號位置，然后進行相應位置的值大小比較并在此位置設置為True/False          correct_predition = tensorflow.equal(tensorflow.argmax(prediction,1),tensorflow.argmax(y_data,1))            # 進行數據格式轉換，然后進行降維求平均值          accurary = tensorflow.reduce_mean(tensorflow.cast(correct_predition,tensorflow.float32))            result = self.session.run(accurary,feed_dict={self.xs:x_data,self.ys:y_data})            return result    # 識別類  class NormalRead(Normal):        input_size = 784      output_size = 10        def run(self):          self.import_data()          self.getSaver()          origin_input = self._getInput()          output = self.recognize(origin_input)            self._showImage(origin_input)          self._showOutput(output)          pass        # 顯示識別結果      def _showOutput(self,output):          number = output.index(1)          print('識別到的數字:',number)        # 顯示被識別圖片      def _showImage(self,origin_input):          data = []          tmp = []          i = 1          # 原數據轉換為可顯示的矩陣          for v in origin_input[0]:              if i %28 == 0:                  tmp.append(v)                  data.append(tmp)                  tmp = []              else:                  tmp.append(v)              i += 1            plt.figure()          plt.imshow(data, cmap='binary')  # 黑白顯示          plt.show()          def _setBiases(self,biases):          self.biases = biases          pass        def _setWeight(self,weight):          self.weight = weight          pass        def _getBiases(self):          return self.biases        def _getWeight(self):          return self.weight        # 獲取訓練模型      def getSaver(self):          weight = tensorflow.Variable(tensorflow.random_normal([self.input_size, self.output_size]), dtype=tensorflow.float32,name='weight')            biases = tensorflow.Variable(tensorflow.zeros([1, self.output_size]) + 0.1, dtype=tensorflow.float32, name='biases')            saver = tensorflow.train.Saver()          saver.restore(self.session,self.save_path)            self._setWeight(weight)          self._setBiases(biases)        def recognize(self,origin_input):          input = tensorflow.placeholder(tensorflow.float32,[None,784])          weight = self._getWeight()          biases = self._getBiases()            result = tensorflow.matmul(input,weight) + biases          resultSof = tensorflow.nn.softmax(result,) # 把結果集使用softmax進行激勵          resultSig = tensorflow.nn.sigmoid(resultSof,) # 把結果集以sigmoid函數進行激勵，用于后續分類          output = self.session.run(resultSig,{input:origin_input})            output = output[0]            # 對識別結果進行分類處理          output_tmp = []          for item in output:              if item < 0.6:                  output_tmp.append(0)              else :                  output_tmp.append(1)            return output_tmp        def _getInput(self):          inputs, y = self.mnist.train.next_batch(100);          return [inputs[50]]

以上是程序，整個程序基于TensorFlow來實現的，具體的TensorFlow安裝我就不說了。

整個訓練過程不做多說，我發現網上關于訓練的教程很多，但是訓練結果的教程很少。

整個程序里，通過tensorflow.train.Saver()的save進行訓練結果模型進行存儲，然后再用tensorflow.train.Saver()的restore進行模型恢復然后取到訓練好的weight和baises。

這里要注意的一個地方是因為一次性隨機取出100張手寫圖片進行批量訓練的，我在取的時候其實也是批量隨機取100張，但是我傳入識別的是一張，通過以下這段程序：

def _getInput(self):          inputs, y = self.mnist.train.next_batch(100);          return [inputs[50]]

注意一下return這里的數據結構，其實是取這批量的第50張，實際上這段程序寫成：

def _getInput(self):          inputs, y = self.mnist.train.next_batch(1);          return [inputs[0]]

會更好。

因為識別的時候是需要用到訓練的隱藏層來進行的，所以在此我雖然識別的是一張圖片，但是我必須要傳入一個批量數據的這樣一個結構。

然后再識別的地方，我使用了兩個激勵函數：

resultSof = tensorflow.nn.softmax(result,) # 把結果集使用softmax進行激勵  resultSig = tensorflow.nn.sigmoid(resultSof,) # 把結果集以sigmoid函數進行激勵，用于后續分類

這里的話，***個softmax激勵后的數據我發現得到的是以e為底的指數形式，轉換成普通的浮點數來看，不是很清楚到底是什么，那么我在做識別數字判斷的時候就不方便，所以再通過了一次sigmoid的激勵。

后續我通過一個循環判斷進行一次實際上的分類，這個原因首先要說到識別結果形式：

[0,0,0,0,0,0,0,0,1,0]

像以上這個數據，表示的是8，也就是說，數組下表第幾位為1就表示是幾，如0的表示:

[1,0,0,0,0,0,0,0,0,0]

而sigmoid函數在這個地方其實就是對每個位置的數據進行了分類，我發現如果分類值小于0.52這樣的數據其實代表的是否，也就是說此位置的值對應的是0，大于0.52應該對應的是真，也就是1；而我在程序里取的是0.6為界限做判斷。

實際上，這個界限值應該是在神經網絡訓練的時候取的，而不是看識別結果來進行憑感覺取的（雖然訓練的時候的參數也是憑感覺取的）

上述內容就是單層的基礎神經網絡基于TensorFlow如何實現手寫字識別，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。