Classification 分类学习

学习资料:

• 相关代码
• 为 TF 2017 打造的新版可视化教学代码

这次我们会介绍如何使用TensorFlow解决Classification（分类）问题。 之前的视频讲解的是Regression (回归)问题。 分类和回归的区别在于输出变量的类型上。 通俗理解定量输出是回归，或者说是连续变量预测； 定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务； 把东西分成几类, 比如猫狗猪牛，就是一个分类任务。

MNIST 数据¶

首先准备数据（MNIST库）

MNIST库是手写体数字库，差不多是这样子的

数据中包含55000张训练图片，每张图片的分辨率是28×28，所以我们的训练网络输入应该是28×28=784个像素数据。

搭建网络¶

每张图片都表示一个数字，所以我们的输出是数字0到9，共10类。

调用add_layer函数搭建一个最简单的训练网络结构，只有输入层和输出层。

其中输入数据是784个特征，输出数据是10个特征，激励采用softmax函数，网络结构图是这样子的

Cross entropy loss¶

loss函数（即最优化目标函数）选用交叉熵函数。交叉熵用来衡量预测值和真实值的相似程度，如果完全相同，它们的交叉熵等于零。

train方法（最优化算法）采用梯度下降法。

训练¶

现在开始train，每次只取100张图片，免得数据太多训练太慢。

每训练50次输出一下预测精度

输出结果如下：

有没有很惊讶啊，如此简单的神经网络结构竟然可以达到这样的图像识别精度，其实稍作改动后，识别的精度将大幅提高。 请关注后续课程哦。