用TensorFlow实现神经网络

from sklearn.metrics import accuracy_score

import tensorflow as tf

设置种子值，以便我们可以控制模型的随机性：

# To stop potential randomness

seed = 128

rng = np.random.RandomState(seed)

第一步是设置目录路径，以便保管！

root_dir = os.path.abspath('../..')

data_dir = os.path.join(root_dir, 'data')

sub_dir = os.path.join(root_dir, 'sub')

# check for existence

os.path.exists(root_dir)

os.path.exists(data_dir)

os.path.exists(sub_dir)

16

我们来看看我们的数据集。这些格式为CSV格式，并具有相应标签的文件名：

train = pd.read_csv(os.path.join(data_dir, 'Train', 'train.csv'))

test = pd.read_csv(os.path.join(data_dir, 'Test.csv'))

sample_submission = pd.read_csv(os.path.join(data_dir, 'Sample_Submission.csv'))

train.head()

让我们看看我们的数据是什么样的！我们读取我们的图像并展示它。

17

img_name = rng.choice(train.filename)

filepath = os.path.join(data_dir, 'Train', 'Images', 'train', img_name)

img = imread(filepath, flatten=True)

pylab.imshow(img, cmap='gray')

pylab.axis('off')

pylab.show()

上面的图像被表示为numpy数组，如下所示：

18

为了方便数据操作，我们将所有图像存储为numpy数组：

temp = []

for img_name in train.filename:

image_path = os.path.join(data_dir, 'Train', 'Images', 'train', img_name)

img = imread(image_path, flatten=True)

img = img.astype('float32')

temp.append(img)

train_x = np.stack(temp)

temp = []

for img_name in test.filename:

image_path = os.path.join(data_dir,

由于这是一个典型的ML问题，为了测试我们模型的正常运行，我们创建一个验证集。我们采取70:30的分组大小，用于训练集与验证集对比：

split_size = int(train_x.shape[0]*0.7)

19

train_x, val_x = train_x[:split_size], train_x[split_size:]

train_y, val_y = train.label.values[:split_size], train.label.values[split_size:]

现在，我们定义一些辅助函数，我们稍后使用它们：

defdense_to_one_hot(labels_dense, num_classes=10):

\

num_labels = labels_dense.shape[0]

index_offset = np.arange(num_labels) * num_classes

labels_one_hot = np.zeros((num_labels, num_classes))

labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1

return labels_one_hot

defpreproc(unclean_batch_x):

\

temp_batch = unclean_batch_x / unclean_batch_x.max()

return temp_batch

defbatch_creator(batch_size, dataset_length, dataset_name):

\

20