基于神经网络实现Mnist数据集的多分类

56 阅读 0 评论 37 点赞

我是靠谱客的博主粗暴芹菜，最近开发中收集的这篇文章主要介绍基于神经网络实现Mnist数据集的多分类，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

在之前的文章中介绍了基于Logistic Regression实现Mnist数据集的多分类，本篇文章主要介绍基于TensorFlow实现Mnist数据集的多分类。

一个典型的神经网络训练图如下所示：

只不过在Mnist数据集是十分类的，起输出由y1和y2换成y1，....，y10。本文实现的神经网络如下所示：

这是使用的是两层的神经网络，第一层神经元个数是256，第二层为128，最终输出的是10个类别。对应的神经网络结果如下图所示：

接着我们创建一个MutilClass类，并初始化相关参数用来实现基于神经网络的多分类函数。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

class MutilClass:
    def __init__(self):
        # 加载数据集
        self.Mnsit = input_data.read_data_sets("./data/", one_hot=True)

        # 设置神经网络层参数
        self.n_hidden_1 = 256
        self.n_hidden_2 = 128
        self.n_input = 784
        self.n_classes = 10

        self.x = tf.placeholder(dtype=float, shape=[None, self.n_input], name="x")
        self.y = tf.placeholder(dtype=float, shape=[None, self.n_classes], name="y")
        # random_normal 高斯分布初始化权重
        self.weights = {
            "w1": tf.Variable(tf.random_normal([self.n_input, self.n_hidden_1],stddev = 0.1)),
            "w2": tf.Variable(tf.random_normal([self.n_hidden_1, self.n_hidden_2], stddev = 0.1)),
            "out": tf.Variable(tf.random_normal([self.n_hidden_2, self.n_classes], stddev = 0.1))
        }
        self.bias = {
            "b1": tf.Variable(tf.random_normal([ self.n_hidden_1 ])),
            "b2": tf.Variable(tf.random_normal([ self.n_hidden_2 ])),
            "out": tf.Variable(tf.random_normal([ self.n_classes ]))
        }

        print("参数初始化完成！")

神经网络首次循环，是根据初始化的参数和偏置，向前传播，经过两层隐层，最终的到一个对应各个类别的概率，然后再根据反向传播，最小化损失函数求解参数，所以这里创建一个前向传播和反向传播的函数，如下所示：

    # 定义一个MLP，前向感知器
    def _multilayer_perceptron(self,_X, _weights, _bias):
        layer_1 = tf.nn.sigmoid(tf.add ( tf.matmul(_X, _weights["w1"]), _bias["b1"] ) )
        layer_2 = tf.nn.sigmoid(tf.add ( tf.matmul(layer_1, _weights["w2"]), _bias["b2"] ) )
        return (tf.matmul( layer_2 ,_weights["out"] ) + _bias["out"])

    # 定义反向传播
    def _back_propagation(self):
        pred = self._multilayer_perceptron(self.x, self.weights, self.bias)
        # logits 未归一化的概率
        cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=self.y) )
        optimizer = tf.train.GradientDescentOptimizer( learning_rate= 0.001).minimize(cost)
        corr = tf.equal(tf.argmax(pred, 1), tf.argmax(self.y, 1) )
        accr =tf.reduce_mean(tf.cast(corr, dtype=float))

        init = tf.global_variables_initializer()
        return init, optimizer,cost, accr

接着就是训练网络了，指定的迭代次数为：100，batch_size：100，其对应的函数未：

    # 训练模型
    def _train_model(self, _init, _optimizer, _cost, _accr):
        epochs = 100
        batch_size = 100
        display_steps = 1
        sess = tf.Session()
        sess.run(_init)

        for epoch in range(epochs):
            avg_cost = 0
            total_batch = int (self.Mnsit.train.num_examples / batch_size)
            for i in range(total_batch):
                batch_xs, batch_ys = self.Mnsit.train.next_batch(batch_size)
                feeds = {self.x: batch_xs, self.y: batch_ys}
                sess.run(_optimizer, feed_dict=feeds)
                avg_cost += sess.run(_cost, feed_dict=feeds)
            avg_cost = avg_cost / total_batch

            if (epoch +1) % display_steps ==0:
                print("Epoch: {} / {}, cost: {}".format(epoch, epochs, avg_cost))
                feeds = {self.x: batch_xs, self.y: batch_ys}
                train_acc = sess.run(_accr, feed_dict=feeds)
                print("Train Accuracy: {}".format(train_acc))

                feeds = {self.x : self.Mnsit.test.images, self.y: self.Mnsit.test.labels}
                test_acc = sess.run(_accr, feed_dict= feeds)
                print("Test Accuracy: {}".format(test_acc))
                print("-" * 50)

创建主函数，进行迭代训练

if __name__ == "__main__":
    network = MutilClass()
    init, optimizer, cost, accr = network._back_propagation()
    network._train_model(init, optimizer,cost, accr)

最后的迭代结果为：

Epoch: 0 / 100, cost: 2.4407591546665537
Train Accuracy: 0.12999999523162842
Test Accuracy: 0.12960000336170197
--------------------------------------------------
Epoch: 1 / 100, cost: 2.290777679356662
Train Accuracy: 0.12999999523162842
Test Accuracy: 0.1469999998807907
--------------------------------------------------
Epoch: 2 / 100, cost: 2.2774649468335237
Train Accuracy: 0.17000000178813934
Test Accuracy: 0.21799999475479126
--------------------------------------------------

.......

--------------------------------------------------
Epoch: 98 / 100, cost: 0.7186844098567963
Train Accuracy: 0.8299999833106995
Test Accuracy: 0.8371999859809875
--------------------------------------------------
Epoch: 99 / 100, cost: 0.7124480505423112
Train Accuracy: 0.8100000023841858
Test Accuracy: 0.8377000093460083
--------------------------------------------------

从结果中可以看出，cost是一直在减少，训练集和测试集评估模型的准确率也在一直提高。当然我们也可以通过调节epoch，batch_size来重新训练模型。