識(shí)別MNIST已經(jīng)成了深度學(xué)習(xí)的hello world，所以每次例程基本都會(huì)用到這個(gè)數(shù)據(jù)集，這個(gè)數(shù)據(jù)集在tensorflow內(nèi)部用著很好的封裝，因此可以方便地使用。

這次我們用tensorflow搭建一個(gè)softmax多分類(lèi)器，和之前搭建線性回歸差不多，第一步是通過(guò)確定變量建立圖模型，然后確定誤差函數(shù)，最后調(diào)用優(yōu)化器優(yōu)化。

誤差函數(shù)與線性回歸不同，這里因?yàn)槭嵌喾诸?lèi)問(wèn)題，所以使用了交叉熵。

另外，有一點(diǎn)值得注意的是，這里構(gòu)建模型時(shí)我試圖想拆分多個(gè)函數(shù)，但是后來(lái)發(fā)現(xiàn)這樣做難度很大，因?yàn)閳D是在規(guī)定變量就已經(jīng)定義好的，不能隨意拆分，也不能當(dāng)做變量傳來(lái)傳去，因此需要將他們寫(xiě)在一起。

代碼如下：

#encoding=utf-8 __author__ = 'freedom' import tensorflow as tf  def loadMNIST():  from tensorflow.examples.tutorials.mnist import input_data  mnist = input_data.read_data_sets('MNIST_data',one_hot=True)  return mnist  def softmax(mnist,rate=0.01,batchSize=50,epoch=20):  n = 784 # 向量的維度數(shù)目  m = None # 樣本數(shù)，這里可以獲取，也可以不獲取  c = 10 # 類(lèi)別數(shù)目   x = tf.placeholder(tf.float32,[m,n])  y = tf.placeholder(tf.float32,[m,c])   w = tf.Variable(tf.zeros([n,c]))  b = tf.Variable(tf.zeros([c]))   pred= tf.nn.softmax(tf.matmul(x,w)+b)  loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))  opt = tf.train.GradientDescentOptimizer(rate).minimize(loss)   init = tf.initialize_all_variables()   sess = tf.Session()  sess.run(init)  for index in range(epoch):   avgLoss = 0   batchNum = int(mnist.train.num_examples/batchSize)   for batch in range(batchNum):    batch_x,batch_y = mnist.train.next_batch(batchSize)    _,Loss = sess.run([opt,loss],{x:batch_x,y:batch_y})    avgLoss += Loss   avgLoss /= batchNum   print 'every epoch average loss is ',avgLoss   right = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))  accuracy = tf.reduce_mean(tf.cast(right,tf.float32))  print 'Accracy is ',sess.run(accuracy,({x:mnist.test.images,y:mnist.test.labels}))   if __name__ == "__main__":  mnist = loadMNIST()  softmax(mnist) 

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持武林站長(zhǎng)站。