こちらは勉強会で使用する記事です。
勉強会終了後に、必要事項を記載して一般の向けに更新します。
実際の手順
画像データをダウンロードする
"MNIST_data"フォルダの下に配置されます
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
TensorFlowの読み込み
これで以下の「tf.~」の関数が使えるようになります
import tensorflow as tf
配列x(画像データの配列)を作成します。
placeholderとは、「入れ物」です。この入れ物にあとでデータを突っ込んでいきます。
x = tf.placeholder(tf.float32, [None, 784])
配列W(重み"weight"、xの係数)と、配列b(定数"bias")を作成します。
Variableは「変数」です。今回は初期値を全てゼロにしています。この二つを学習しながら変化させていくことになります。
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
配列y(ある画像の、それぞれの数字の確率)を作成します。これは式で決まるものです。
y = tf.nn.softmax(tf.matmul(x, W) + b)
配列y_を作成します。これは、実際の正解のデータが入る配列です。なので、またplaceholderを使って「入れ物」だけ用意します。
y_ = tf.placeholder(tf.float32, [None, 10])
今回は配列yをy_に近づけることが目的です。「その二つがどれくらい違うか」を示すのがcross_entropyになります。ここは今回深掘りしません。勾配降下法という手法を使用しています。さらに勉強したい人はご自分で調べてみてください。
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ *tf.log(y), reduction_indices=[1]))
このcross_entropyを小さくするステップが、train_stepです。
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
ここはおまじないだと思ってください。処理をスタートさせるための式です。
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
学習データかでWとbを学習させます。学習用データからランダムに100個持ってきて学習させる、というステップを1000回繰り返します。
for i in range (1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys })
実験後のyと、正しいデータy_がどれくらい正解しているかを示すaccurancyを定義します。
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accurancy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
テストデータをインプットしてみて、そのaccurancyを出力させます。
print(sess.run(accurancy, feed_dict={x: mnist.test.images, y_:mnist.test.labels}))
さあ、正解率は何%だったでしょうか???