訓練識別數字圖片的模型

本文根據官方教程，通過MNIST數據，使用Softmax Regressio算法訓練一個輸入784像素的圖片，識別出其對應數字的模型

前一篇文章中我們配置了TensorFlow并根據官方教程訓練了一個簡單的模型，今天我們繼續訓練另外一個簡單的模型。

MNIST包含一個手寫的數字，就好像:

這個案例是為了解答:

1. TensorFlow是怎么工作的?
2. 機器學習的核心思想是什么?

你可以學習到:

1. MNIST數據、Softmax Regression算法
2. 建立一個可以基于觀察圖片的每一個像素來識別數字的模型
3. 通過模型瀏覽上千個案例來訓練模型識別數字
4. 通過測試數據，來驗證模型的準確度

I. MNIST數據

數據是在 Yann LeCun’s website 這上面。

該數據分為三部分

通過分離不同的數據，一部分用于訓練，一部分用戶測試，一部分用于學習，這樣才能驗證結果是訓練的模型自己生成的。

1. mnist.train: 55_000個數據用于訓練
2. mnist.test: 10_000個數據用于測試
3. minst.validation: 5_000個數據用于驗證

每個數據有兩部分

1. 手寫數字的圖片(x)( mnist.train.images 、 mnist.test.images ): 28px * 28px = 784px
2. 對應的標簽(y)( mnist.train.labels 、 mnist.test.labels )

如數字 1 :

• mnist.[train/test].images 是一個tensor，由55_000個由784個點的二維數組組成，數組中的每個值代表每個像素點，像素點有色的根據淺到深是0到1，無色為0，每個數組所呈現的數字對應一個label，我們表示為[55000,784]
  
• minst.[train/test].labels 也是一個tensor，由55_000個由10個值的一維數組組成，數組中有且僅有一個為1，其余為0，數組的index表示標簽所代表的數字，如3表示為[0,0,0,1,0,0,0,0,0,0]]，我們表示為[55000,10]
  

II. Softmax Regression算法

我們算法要盡量準確的通過圖片(784個像素點)所呈現的，讓結果中正確的數字所占的比例盡量的高，如給出的圖片對應的數字是9，模型運算結果可能是: 80%的概率是9，5%概率是8，15%的概率是其他。

該算法使用場景:從不同的事件中為一個對象分配可能性，因為該算法給我們一個0到1的列表，并且加起來等于1

大概步驟

1. 總結輸入的數據在某些類中的證據(we add up the evidence of our input being in certain classes)
2. 將證據轉化為具體的可能性

做像素強度(intensities)的加權值，當圖片的強度(intentsity)與某個分類不一致，其權重為負數，當有強有力的證據證明是在那個分類，其權重為正數

最終的模型權重

藍色為正數權重，紅色為負數

大概算法

第i個類型、第j個像素、W為權重、x為輸入的圖片、b為偏移量

結果: $y = softmax(W_x$ + b)

 

來自：https://blog.dreamtobe.cn/tensorflow-mnist/