一、MNIST数据集

　　MNIST数据集是一个非常简单的机器视觉数据集，由几万张28*28像素的手写数字组成，且这些数字只包含灰度值信息。

二、TensorFlow代码实现

1 # -*- coding: utf-8 -*- 2 """ 3 Created on Thu May 16 21:39:25 2019 4  5 @author: CFF 6 """ 7 import tensorflow as tf 8 from tensorflow.examples.tutorials.mnist import input_data 9 mnist = input_data.read_data_sets("MNIST_data", one_hot=True)10 batch_size = 10011 X_holder = tf.placeholder(tf.float32)12 y_holder = tf.placeholder(tf.float32)13 14 Weights = tf.Variable(tf.zeros([784, 10]))15 biases = tf.Variable(tf.zeros([1,10]))16 predict_y = tf.nn.softmax(tf.matmul(X_holder, Weights) + biases)17 loss = tf.reduce_mean(-tf.reduce_sum(y_holder * tf.log(predict_y), 1))18 optimizer = tf.train.GradientDescentOptimizer(0.5)19 train = optimizer.minimize(loss)20 21 session = tf.Session()22 init = tf.global_variables_initializer()23 session.run(init)24 25 for i in range(500):26     images, labels = mnist.train.next_batch(batch_size)27     session.run(train, feed_dict={X_holder:images, y_holder:labels})28     if i % 25 == 0:29         correct_prediction = tf.equal(tf.argmax(predict_y, 1), tf.argmax(y_holder, 1))30         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))31         accuracy_value = session.run(accuracy, feed_dict={X_holder:mnist.test.images, y_holder:mnist.test.labels})32         print('step:%d accuracy:%.4f' %(i, accuracy_value))

三、原理分析

　　①、图像的取值：空白部分全部为0，有笔迹部分根据颜色深浅有0-1之间取值。每一张图片有784维的特征，即由28*28个像素点（28*28=784）展开成1维的结果。故丢弃了图片的二维结构方面的信息，直接把一张图片变成一个很长的1维向量。

　　②、整个数据集的特征是一个55000*784的Tensor，同时训练的数据Label是一个55000*10维的Tensor，对10个种类进行one-hot编码，Label是一个10维向量。例如对于数字0的标签就是[1,0,0,0,0,0,0,0,0,0]。

　　③、使用Softmax Regression的算法训练手写数字识别的分类模型，Softmax Regression的原理就行对每一种类别估算一个概率，然后取概率最大的那个数字作为模型的输出结果。即将可以判定为某一类的特征相加，再将这些特征转化为判定这一类的概率。例如某个像素的灰度值大代表很可能是数字n时，这个像素的权值就很大，反之，这个像素的权值就很小。特征的公式表示如下：

feature_i=Σ_jW_i,j*x_j+b_i

　　对所有特征计算softmax，即都计算一个exp函数，再进行标准化（即让所有类别输出的概率值为1）。公式如下：

softmax（x）=normalize（exp（x））

　　判断第i类的概率可以有下列公式计算：

softmax(x)_i=exp(x_i)/Σ_jexp(x_j)

　　先对各个类的特征求exp函数，再进行标准化，使得和为1，特征的值越大的类，最后输出的概率就越大，反之，特征的值越小的类，最后输出的概率就越小。Softmax Regression流程如下：

 

　　上图对应公式如下：Softmax Regression元素的乘法

　　变成对应的矩阵乘法如下：

　　最后变成y=softmax(Wx+b)。

　　④、使用TensorFlow实现一个softmax regression，首先导入TensorFlow库并创建一个新的InteractiveSession，使用这个命令将这个session注册为默认的session，之后的运算默认在这个session里面跑。接下来创建一个Placeholder，用来输入数据，Placeholder的第一个参数是数据类型，第二个参数[None，784]表示Tensor的shape，None表示输入条数不限，每条输入是一个784维的向量。

1 import tensorflow as tf2 sess = tf.InteractiveSession()3 x = tf.placeholder(tf.float32,[None,784])

　　⑤、给Softmax Regression模型中的weights和biases创建Variable对象，Variable是用来存储模型参数，不同于存储数据的tensor一旦使用掉就会消失，而Variable在模型训练迭代中是持久化的（比如一直存放在显存中），可以长期存在并且在每一轮迭代中被更新。weights和biases全部初始化为0，因为模型训练时会自动学习合适的值。对于这个简单的模型，初始化值不太重要，但对于复杂的卷积网络、循环网络或者比较深的全连接网络，初试值的方法比较重要。W的shape是[784,10]，784是特征的维数，10表示有10类，因为Label在one-hot编码后是10维的向量。

1 W=tf.Variable(tf.zeros([784,10]))2 b=tf.Variable(tf.zeros([10])) 3 y=tf.nn.softmax(tf.matmul(x,w)+b)

　　Softmax是tf.nn下面的一个函数，tf.nn包含了大量神经网络的组件，tf.matmul是TensorFlow中的矩阵乘法函数。TensorFlow将forward和backward的内容都自动实现。只要接下来定义好loss，训练时将会自动求导并进行梯度下降，完成对Softmax Regression模型参数的自动学习。

　　⑥、为了训练模型，需要定义loss function来描述模型对问题的分类精度。loss越小，表示模型的分类结果与真实值的偏差越小，即模型精度越高。首先给模型填充全零的参数，模型就有一个初始的loss，训练的目的就是不断将这个loss减小，直到到达一个全局最优或局部最优解。对于多分类，通常使用cross-entropy作为loss function。cross-entropy最早出自信息论中的信息熵（与压缩比率等有关）。Cross-entropy的定义如下：

H_y'(y)=-Σ_iy’_ilog(y_i)

　　其中y是预测的概率分布，y'是真实的概率分布（即Label的one-hot编码），通常使用这个来判断模型对真实概率分布估计的准确程度。

1 y_ = tf.placeholder(tf.float32,[None,10])2 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))

　　先定义一个placeholder，输入是真实的label，用来计算cross-entropy。y_*tf.log(y)是y’_ilog(y_i)，tf.reduce_sum也就是求和Σ，而tf.reduce_mean用来对每个batch数据结构求均值。

　　⑦、定义优化算法，常见的随机梯度SGD，定义好优化算法后，TensorFlow就可以根据定义的整个计算图自动求导，并根据方向传播算法进行训练，每一轮迭代时更新参数来减小loss。TensorFlow会自动在后台添加许多运算操作来实现反向传播和梯度下降，每轮迭代时feed数据放入优化器就可以了。直接调用tf.train.GradientDescentOptimizer，并设置学习率为0.5，优化目标设定为cross-entropy，得到进行训练的操作train_step。

1 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)2 # 使用全局优化器tf.global_variables_initializer，并直接执行run()方法3 tf.global_variables_initializer().run()

　　⑧、开始迭代训练操作train_step。每次随机从训练集中抽取100条样本构成一个mini-batch，并feed给placeholder，如何调用train_step对这些样本进行训练。使用一小部分样本进行训练称为随机梯度下降。如果每次训练都使用全部样本，计算量太大，有时也不容易跳出局部最优。对于大部分机器学习问题，都只使用一小部分数据进行随机梯度下降，这种方法收敛速度快很多。

1 for i in range(1000):2     batch_xs,batch_ys=mnist.train.next_batch(100)3 　　 train_step.run({x:batch_xs,y_:batch_ys})

　　⑨、完成训练后，对模型的准确率进行验证。tf.argmax是从tensor中寻找最大的序号，tf.argmax(y,1)就是求各个预测的数字中概率最大的那一个。tf.argmax(y_,1)是找样本的真实数字的类别。tf.equal方法用来判断预测的数据类别是否就是正确的类别，返回计算类别是否正确的操作correct_predition

1 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))2 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))3 print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

　　先用tf.cast将输出的bool值转换为float32，再求平均值。将测试数据的特征和label输入评测流程accuracy，计算模型在测试集上的准确性，再将结果打印出来。

　　⑩、总结，使用TensorFlow实现一个简单的机器学习算法Softmax Regression，这是一个没有隐藏层的最浅的神经网络。主要分为四个步骤：

　　（1）定义算法公式，即神经网络forward时的计算

　　（2）定义loss，选定优化器，并指定优化器优化loss

　　（3）迭代地对数据进行训练

　　（4）在测试集或验证集上对准确度进行评测