基于TensorFlow手寫數字識別模型設計與實現

文/邢萌

采用TensorFlow，能夠使神經網絡編寫難度得到降低，并使網絡識別率得到提高。因此在手寫數字識別模型設計與實現上，還要加強TensorFlow的應用，提出更加有效的識別方法。

1 TensorFlow概述

TensorFlow為開源軟件平臺，可以采用數據流圖實現數值計算，為神經網絡構建提供接口，實現BP神經網絡的快速構建。平臺上每個計算都能利用計算圖表示，其中每個節點都是一個運算操作，節點與節點利用邊連接，每個節點擁有任意多輸入和輸出，可看成是運算操作的實例化。而在計算機中流動的數據，即張量。在利用TensorFlow進行開發時，需要利用圖進行計算任務表示，然后進行會話建立，將圖傳至TensorFlow引擎中，使圖得到啟動。通過變量初始化操作，并實現節點運行，則能使變量值得到更新。采用TensorFlow，能夠對機器學習算法進行執行，為多種開發語言提供支持，能夠在異構系統上實現算法移植，為系統部署提供支持。作為開源機器學習軟件資源庫，目前TensorFlow能夠為線性回歸、深度學習、邏輯回歸等各種算法提供支持。

2 基于TensorFlow手寫數字識別模型設計與實現

2.1 設計原理

設計手寫數字識別模型，還要使模型能夠對圖像進行識別，通過計算機處理圖像信息，對圖像內容進行理解，從而實現精確識別。而在圖像識別方面，主要需要采用機器學習方法，使模型通過先驗學習進行經驗獲取，然后對數據獲取規律進行自動分析，完成知識結構的組織，能夠正確進行響應。為此，還要使計算機對人類學習活動進行模擬，在掌握經驗和規律的基礎上，對未知和潛在概率分布等信息進行推理，確定數據樣本中變量間的關系。手寫數字識別屬于分類問題，需將實例數據進行合理分類，能夠采用支持向量機算法、k-近鄰算法等多種算法。而同類的算法有較多，還要加強數據集的分析，以便進一步了解實際數據，縮小算法的選擇范圍。在應用程序開發階段，需要完成數據收集，然后對數據源進行格式化處理，確保數據能夠滿足格式要求。將得到的數據輸入到算法中，則能實現算法訓練，完成知識或信息的抽取。確定訓練得到的算法能夠達到成功率的要求，則能轉換為應用程序進行任務執行。

2.2 模型設計

實際進行模型設計時，采用MNIST數據集，由訓練集、驗證集和測試集構成，分別有55000、5000和10000個樣本，從TensorFlow官網下載獲得。對樣本數據進行分析發現，每個樣本包含對應標簽信息，能夠對表示的數字進行描述。而樣本實際描述的為28×28像素的灰度圖片，每張圖片為長度784的數組，不包含二維結構信息，數據得到了簡化，分類相對簡單。從特征上來看，樣本數據為55000×784張量，圖片編號為一維，圖片像素點為二維，數值為像素點灰度值，標簽為55000×10的張量，能夠對圖片代表的數字進行描述，標簽為19維向量。樣本圖標簽向量對應位置為1，其余均為0。數據集中樣本描述數字在0-9之間，共10類，所以手寫數字識別要對第i樣本為0-9中哪個數字的概率進行計算。結合數據特點，可以采用相對簡單的softmax回歸算法，設計的模型樣本包含m個，類別為k個，得到的訓練集為 {（x(1), y(1)）,（x(2), y(2)）,……,（x(m),y(m)）}，x(i)∈R（n+1），標簽 y（i）∈{1,2，……，k}。針對輸入x，應假設針對各類別j的概率值為p（y=j|x）。在函數輸出k維向量的情況下，向量元素和為1，函數hθ（x）如下：

式 中，θ1, θ2, θk∈Rn+1為 模 型 參 數，P（y(i)=j|x(i)； θj）則是樣本 x(i)屬于 j類概率。在模型參數計算的過程中，還要采用梯度下降法。針對得到的回歸模型，需要輸入樣本數據，對測試樣本數據所屬類別概率進行計算，預測結果則是概率最大的類別。

2.3 模型實現

在模型實現階段，需要載入TensorFlow庫完成InteractiveSession創建，然后進行Placeholder創建，確定數據輸入位置。在Placeholder中，首個參數代表的是數據類型，其次則為[None,784]，指的是數據尺寸，None意味不對輸入的條數進行限制，但是784則是對各條維向量進行限制。在此基礎上需要對回歸模型的biases和weight進行創建，然后進行回歸算法的實現。在模型訓練階段，需要對損失的函數進行計算，利用函數對模型分類精度進行描述。在損失較少的情況下，說明采用模型獲得的分類結果較為接近真實值，得到的結果較為精確。在實際操作時，需要先對模型進行初始化操作，將各參數設為零。而訓練loss將不斷減小，直至局部最優或全局最優。損失函數可以采用cross-entropy，需要利用TensorFlow進行計算。在算法優化階段，需要采用隨機梯度下降，然后進行訓練操作迭代執行。具體來講，就是進行100條樣本隨機抽取，完成mini-batch的構建，提供給placeholder。對train_step進行調用，可以完成樣本訓練。采用tf.argmax從張量中進行最大值序號的獲取，可以實現模型準確率的測試。而tf.argmax（y,1）的概率最大，為數字類別。確定得到的結果是否正確，可以確定是否實現了正確分類。

3 結論

根據手寫數字特點，基于TensorFlow實現了相應的識別模型設計。采用該模型，可以利用softmax回歸算法實現數字分類問題的簡化，得到結構相對簡單的神經網絡模型，并且獲得較高的數字識別概率。