├── README.md
└── mnist.py


/README.md:
--------------------------------------------------------------------------------
 1 | ## MNIST классификатор на tensorflow
 2 | 
 3 | Код относится к youtube ролику "Как заставить tensorflow сделать хоть что то полезное"
 4 | 
 5 | *Ссылка на ролик появится, когда он будет залит*
 6 | 
 7 | Чтобы запустить код, надо
 8 | - Поставить питон налокальную машину. Рекомендую качать отсюда https://www.anaconda.com/download/
 9 | - Поставить tensorflow 
10 | ```
11 | pip install tensorflow
12 | ```
13 | - Запустить пример командой 
14 | ```
15 | python mnist.py
16 | ```
17 | 


--------------------------------------------------------------------------------
/mnist.py:
--------------------------------------------------------------------------------
 1 | # coding=utf-8
 2 | import tensorflow as tf
 3 | from tensorflow.examples.tutorials.mnist import input_data
 4 | 
 5 | if __name__ == "__main__":
 6 |     # Загружаем MNIST датасет - числа, написанные от руки
 7 |     mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
 8 | 
 9 |     # Задаем граф вычислений в тензорфлоу
10 |     # Плейсхолдеры - те места, куда будут подставляться значения входных-выходных переменных
11 |     x = tf.placeholder("float", [None, 784])
12 |     y = tf.placeholder("float", [None, 10])
13 | 
14 |     # Переменные - это веса нашего единственного слоя сети
15 |     W = tf.Variable(tf.zeros([784, 10]))
16 |     b = tf.Variable(tf.zeros([10]))
17 | 
18 |     # Предсказание это линейное преобразование входного вектора.<br>
19 |     # До преобразования размерность 784
20 |     # После преобразования - 10
21 |     linear_prediction = tf.matmul(x, W) + b
22 |     scaled_prediction = tf.nn.softmax(linear_prediction) # Softmax
23 | 
24 |     # Функция потерь - кросс энтропия. В двух словах не объясню почему так. 
25 |     # Почитайте лучше википедию. Но она работает
26 |     loss_function = tf.losses.softmax_cross_entropy(y, linear_prediction)
27 | 
28 |     # Оптимизатор у нас простой градиентный спуск
29 |     learning_rate = 0.01
30 |     optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
31 | 
32 |     # Инициализируем сессию, с которой будем работать
33 |     init = tf.global_variables_initializer()
34 |     sess = tf.InteractiveSession()
35 |     sess.run(init)
36 | 
37 |     # Цикл обучения. Учимся на минибатчах, каждые 5 шагов печатаем ошибку
38 |     batch_size = 100
39 | 
40 |     for iteration in range(30000):
41 |         batch_x, batch_y = mnist.train.next_batch(batch_size)
42 |         sess.run(optimizer, 
43 |                  feed_dict={x: batch_x, y: batch_y})
44 |         if iteration % 5000 == 0:
45 |             loss = loss_function.eval(
46 |                 {x: mnist.test.images, 
47 |                  y: mnist.test.labels})
48 |             print ("#{}, loss={:.4f}".format(iteration, loss))
49 | 
50 |     # Задаем граф вычислений, выдающий точность предсказания
51 |     predicted_label = tf.argmax(scaled_prediction, 1)
52 |     actual_label = tf.argmax(y, 1)
53 |     is_equal_labels = tf.equal(actual_label, predicted_label)
54 |     accuracy = tf.reduce_mean(tf.cast(is_equal_labels, "float"))
55 | 
56 |     # Вычисляем точность
57 |     accracy_value = accuracy.eval({x: mnist.test.images, y: mnist.test.labels})
58 |     print ("Accuracy:", accracy_value)
59 | 
60 |     # Предсказываем лейбы для тествого датасета
61 |     predicted_label = tf.argmax(scaled_prediction, 1)
62 |     predicted_test_values = predicted_label.eval(
63 |         {x: mnist.test.images})
64 |     print ("Predictions: {}".format(predicted_test_values))
65 | 


--------------------------------------------------------------------------------