Google机器学习笔记（七）TF.Learn 手写文字识别

2016-08-17 本文已影响2157人梦里茶

转载请注明作者：梦里风林
Google Machine Learning Recipes 7
官方中文博客 - 视频地址
Github工程地址 https://github.com/ahangchen/GoogleML
欢迎Star，也欢迎到Issue区讨论

mnist问题

计算机视觉领域的Hello world
给定55000个图片，处理成28*28的二维矩阵，矩阵中每个值表示一个像素点的灰度，作为feature
给定每张图片对应的字符，作为label，总共有10个label，是一个多分类问题

TensorFlow

可以按教程用Docker安装，也可以直接在Linux上安装
你可能会担心，不用Docker的话怎么开那个notebook呢？其实notebook就在主讲人的Github页上
可以用这个Chrome插件:npviewer直接在浏览器中阅读ipynb格式的文件，而不用在本地启动iPython notebook
我们的教程在这里：ep7.ipynb
把代码从ipython notebook中整理出来：tflearn_mnist.py

代码分析

下载数据集

mnist = learn.datasets.load_dataset('mnist')

恩，就是这么简单，一行代码下载解压mnist数据，每个img已经灰度化成长784的数组，每个label已经one-hot成长度10的数组

在我的深度学习笔记看One-hot是什么东西

numpy读取图像到内存，用于后续操作，包括训练集（只取前10000个）和验证集

data = mnist.train.images
labels = np.asarray(mnist.train.labels, dtype=np.int32)
test_data = mnist.test.images
test_labels = np.asarray(mnist.test.labels, dtype=np.int32)
max_examples = 10000
data = data[:max_examples]
labels = labels[:max_examples]

可视化图像

def display(i):
    img = test_data[i]
    plt.title('Example %d. Label: %d' % (i, test_labels[i]))
    plt.imshow(img.reshape((28, 28)), cmap=plt.cm.gray_r)
    plt.show()

用matplotlib展示灰度图

训练分类器
- 提取特征（这里每个图的特征就是784个像素值）

feature_columns = learn.infer_real_valued_columns_from_input(data)

创建线性分类器并训练

classifier = learn.LinearClassifier(feature_columns=feature_columns, n_classes=10)
classifier.fit(data, labels, batch_size=100, steps=1000)

注意要制定n_classes为labels的数量

分类器实际上是在根据每个feature判断每个label的可能性，
不同的feature有的重要，有的不重要，所以需要设置不同的权重
一开始权重都是随机的，在fit的过程中，实际上就是在调整权重

最后可能性最高的label就会作为预测输出
传入测试集，预测，评估分类效果

result = classifier.evaluate(test_data, test_labels)
print result["accuracy"]

速度非常快，而且准确率达到91.4%

可以只预测某张图，并查看预测是否跟实际图形一致

# here's one it gets right
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[0]), test_labels[0]))
display(0)
# and one it gets wrong
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[8]), test_labels[8]))
display(8)

可视化权重以了解分类器的工作原理

weights = classifier.weights_
a.imshow(weights.T[i].reshape(28, 28), cmap=plt.cm.seismic)

weight可视化

这里展示了8个张图中，每个像素点（也就是feature）的weights，
红色表示正的权重，蓝色表示负的权重
作用越大的像素，它的颜色越深，也就是权重越大
所以权重中红色部分几乎展示了正确的数字

Next steps

觉得我的文章对您有帮助的话，不妨点个star?

Google机器学习笔记（七）TF.Learn 手写文字识别

mnist问题

TensorFlow

代码分析

Next steps

猜你喜欢

热点阅读