Google機器學習筆記（七）TF.Learn 手寫文字識別

轉載請註明做者：夢裏風林
Google Machine Learning Recipes 7
官方中文博客 - 視頻地址
Github工程地址 https://github.com/ahangchen/GoogleML
歡迎Star，也歡迎到Issue區討論

mnist問題

• 計算機視覺領域的Hello world
• 給定55000個圖片，處理成28*28的二維矩陣，矩陣中每一個值表示一個像素點的灰度，做爲feature
• 給定每張圖片對應的字符，做爲label，總共有10個label，是一個多分類問題

TensorFlow

• 能夠按教程用Docker安裝，也能夠直接在Linux上安裝
• 你可能會擔憂，不用Docker的話怎麼開那個notebook呢？其實notebook就在主講人的Github頁上
• 能夠用這個Chrome插件:npviewer直接在瀏覽器中閱讀ipynb格式的文件，而不用在本地啓動iPython notebook
• 咱們的教程在這裏：ep7.ipynb
• 把代碼從ipython notebook中整理出來：tflearn_mnist.py

代碼分析

• 下載數據集

mnist = learn.datasets.load_dataset('mnist')

恩，就是這麼簡單，一行代碼下載解壓mnist數據，每一個img已經灰度化成長784的數組，每一個label已經one-hot成長度10的數組

在個人深度學習筆記看One-hot是什麼東西

• numpy讀取圖像到內存，用於後續操做，包括訓練集（只取前10000個）和驗證集

data = mnist.train.images
labels = np.asarray(mnist.train.labels, dtype=np.int32)
test_data = mnist.test.images
test_labels = np.asarray(mnist.test.labels, dtype=np.int32)
max_examples = 10000
data = data[:max_examples]
labels = labels[:max_examples]

• 可視化圖像

def display(i):
    img = test_data[i]
    plt.title('Example %d. Label: %d' % (i, test_labels[i]))
    plt.imshow(img.reshape((28, 28)), cmap=plt.cm.gray_r)
    plt.show()

用matplotlib展現灰度圖

• 訓練分類器
  • 提取特徵（這裏每一個圖的特徵就是784個像素值）

feature_columns = learn.infer_real_valued_columns_from_input(data)

• 建立線性分類器並訓練

classifier = learn.LinearClassifier(feature_columns=feature_columns, n_classes=10)
classifier.fit(data, labels, batch_size=100, steps=1000)

注意要制定n_classes爲labels的數量

• 分類器其實是在根據每一個feature判斷每一個label的可能性，
• 不一樣的feature有的重要，有的不重要，因此須要設置不一樣的權重
• 一開始權重都是隨機的，在fit的過程當中，實際上就是在調整權重

• 最後可能性最高的label就會做爲預測輸出

• 傳入測試集，預測，評估分類效果

result = classifier.evaluate(test_data, test_labels)
print result["accuracy"]

速度很是快，並且準確率達到91.4%

能夠只預測某張圖，並查看預測是否跟實際圖形一致

# here's one it gets right
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[0]), test_labels[0]))
display(0)
# and one it gets wrong
print ("Predicted %d, Label: %d" % (classifier.predict(test_data[8]), test_labels[8]))
display(8)

• 可視化權重以瞭解分類器的工做原理

weights = classifier.weights_
a.imshow(weights.T[i].reshape(28, 28), cmap=plt.cm.seismic)

• 這裏展現了8個張圖中，每一個像素點（也就是feature）的weights，
• 紅色表示正的權重，藍色表示負的權重
• 做用越大的像素，它的顏色越深，也就是權重越大
• 因此權重中紅色部分幾乎展現了正確的數字

Next steps

• TensorFlow Docker images
• TF.Learn Quickstart
• MNIST tutorial
• Visualizating MNIST
• Additional notebooks
• More about linear classifiers
• Much more about linear classifiers
• Additional TF.Learn samples