#?手寫數字識別??----Softmax回歸模型
#?regression
import?os
import?tensorflow?as?tf
from?tensorflow.examples.tutorials.mnist?import?input_data
data?=?input_data.read_data_sets（“/tmp/data/“?one_hot=True）??#?獲取數據?mnist是一個輕量級的類，其中以Numpy數組的形式中存儲著訓練集、驗證集、測試集。


#?一個對手寫數字進行識別的模型。
#?思路：
#?1、將訓練集中獲取的手寫數字圖像進行某一統一方式（全部按行或全部按列）的展開，
#?得到一個長向量（這是為了利用softmax做一維的回歸，不過損失了二維信息），
#?用一個二維張量來索引某一個樣本中的某一像素。
#?2、softmax模型：用來給不同的對象分配概率（即使在更精細的模型中，最后一步，往往也需要用softmax來分配概率）
#?兩步：
#?①?加權求和，并引入偏置
#?對于給定輸入圖片x，其代表圖像為數字i的證據為
#?evidencei?=∑i（wi?jxj）?+?bi
#?evidence_i?=∑_i（w_{i?j}x_j）+b_ievidencei=∑i?（wi?jxj）?+?bi
#?②?用softmax函數將evidence轉換成概率，即
#?y?=?softmax（evidence）
#?y?=?softmax（evidence）
#?y?=?softmax（evidence）
#?將輸入值當成冪指數求值，再正則化這些結果
#?更緊湊的寫法為
#?y?=?softmax（Wx?+?b）
#?y?=?softmax（Wx?+?b）
#?y?=?softmax（Wx?+?b）
#?3、為了節省在python外使用別的語言進行復雜矩陣運算帶來的開銷，TensorFlow做出的優化為，先用圖描述一系列可交互的操作，最后統一放在python外執行。
#?用占位符placeholder來描述這些可交互的單元：
#?---------------------
#?作者：Crystal?
#?來源：CSDN
#?原文：https:?//?blog.csdn.net?/?weixin_43226400?/?article?/?details?/?82749769
#?版權聲明：本文為博主原創文章，轉載請附上博文鏈接！


#http://www.cnblogs.com/rgvb178/p/6052541.html?相關說明
#?Softmax?Regression?Model????????Softmax回歸模型
def?regression（x）:
????W?=?tf.Variable（tf.zeros（[784?10]）?name=“W“）
????b?=?tf.Variable（tf.zeros（[10]）?name=“b“）
????y?=?tf.nn.softmax（tf.matmul（x?W）?+?b）
????#?print（y）
????return?y?[W?b]


#?model?聲明占位符
with?tf.variable_scope（“regression“）:
????x?=?tf.placeholder（tf.float32?[None?784]）
????y?variables?=?regression（x）

#?用交叉熵（cross?-?entropy）來評判模型的好壞，其表達式為
#?Hy′（y）?=?∑iy′ilog（yi）
#?其中y是預測的概率分布，y’是實際的概率分布（即訓練集對應的真實標簽，是一個one?-?hotvector）定義


#?train??開始訓練模型
y_?=?tf.placeholder（“float“?[None?10]）
#?計算交叉熵
cross_entropy?=?-tf.reduce_sum（y_?*?tf.log（y））
#?tensorflow可以自動利用反向傳播算法，根據選擇的優化器來最小化你的目標函數
train_step?=?tf.train.GradientDescentOptimizer（0.01）.minimize（cross_entropy）
#?tf.argmax給出對象在某一維度上最大值所對應的索引值，可以用來判斷預測是否準確，即
correct_prediction?=?tf.equal（tf.argmax（y?1）?tf.argmax（y_?1））
#?equal函數返回布爾值，用cast函數轉化為浮點數后求均值來計算正確率
accuracy?=?tf.reduce_mean（tf.cast（correct_prediction?tf.float32））

saver?=?tf.train.Saver（variables）
with?tf.Session（）?as?sess:
????#?初始化操作
????sess.run（tf.global_variables_initializer（））
????for?_?in?range（10000）:
????????batch_xs?batch_ys?=?data.train.next_batch（100）
????????#?此為隨機梯度下降訓練，每次訓練隨機抓取訓練集中的100個數據作為一個batch
????????sess.run（train_step?feed_dict={x:?batch_xs?y_:?batch_ys}）

????#?計算學習到的模型在訓練集上的準確率
????print（sess.run（accuracy?feed_dict={x:?data.test.images?y_:?data.test.labels}））

????#?保存訓練結果
????#?print（os.path.join（os.path.dirname（__file__）?‘data‘?‘regression.ckpt‘））
????#?//絕對路徑包含中文字符可能導致路徑不可用??相對路徑：‘mnist/data/regression.ckpt‘
????path?=?saver.save（
????????sess?‘mnist/data/regression.ckpt‘
????????write_meta_graph=False?write_state=False）
????print（“Saved:“?path）

????#?path?=?saver.save（
????#?????sess?os.path.join（os.path.dirname（__file__）?‘mnist\data‘?‘regression.ckpt‘）wri

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????4641??2018-12-28?15:21??tensorflow手寫文字識別python源碼案例\Softmax回歸模型.py

?????文件??????12755??2018-12-28?15:24??tensorflow手寫文字識別python源碼案例\卷積神經網絡模型.py

?????文件???????3298??2018-12-28?15:33??tensorflow手寫文字識別python源碼案例\識別.py

?????目錄??????????0??2018-12-28?15:52??tensorflow手寫文字識別python源碼案例

-----------?---------??----------?-----??----

????????????????20694????????????????????4