for (int row_index = 0; row_index < rows; row_index++)
{
for (int col_index = 0; col_index < cols; col_index++)
{
// print the pixels of image
printf("%3d", values[image_index*image_size+row_index*cols+col_index]);
}
printf("\n");
}
printf("\n");
}
free(values);
fclose(fp);
return 0;
}
int main(int argc, char *argv[])
{
if (-1 == read_lables())
{
return -1;
}
if (-1 == read_images())
{
return -1;
}
return 0;
}
下載并解壓出數(shù)據(jù)集文件train-images-idx3-ubyte和train-labels-idx1-ubyte放到源代碼所在目錄后，編譯并執(zhí)行：
gcc -o read_images read_images.c
./read_images
展示出來的效果如下：
一共有60000個圖片，從代碼可以看出數(shù)據(jù)集里存儲的實際就是圖片的像素
請尊重原創(chuàng)，轉(zhuǎn)載請注明來源網(wǎng)站www.shareditor.com以及原始鏈接地址
softmax模型
我們在《 機器學習教程 十三-用scikit-learn做邏輯回歸 》中介紹了邏輯回歸模型。邏輯回歸是用于解決二類分類問題(使用sigmoid函數(shù))，而softmax模型是邏輯回歸模型的擴展，用來解決多類分類問題。
softmax意為柔和的最大值，也就是如果某個zj大于其他z，那么這個映射的分量就逼近于1，其他的分量就逼近于0，從而將其歸為此分類，多個分量對應的就是多分類，數(shù)學形式和sigmoid不同，如下：
它的特點是，所有的softmax加和為1，其實它表示的是一種概率，即x屬于某個分類的概率。
在做樣本訓練時，這里的xi計算方法是：
其中W是樣本特征的權(quán)重，xj是樣本的特征值，bi是偏置量。
詳細來說就是：假設某個模型訓練中我們設計兩個特征，他們的值分別是f1和f2，他們對于第i類的權(quán)重分別是0.2和0.8，偏置量是1，那么
xi=f1*0.2+f2*0.8+1
如果所有的類別都計算出x的值，如果是一個訓練好的模型，那么應該是所屬的那個類別對應的softmax值最大
softmax回歸算法也正是基于這個原理，通過大量樣本來訓練這里的W和b，從而用于分類的
tensorflow的優(yōu)點
tensorflow會使用外部語言計算復雜運算來提高效率，但是不同語言之間的切換和不同計算資源之間的數(shù)據(jù)傳輸耗費很多資源，因此它使用圖來描述一系列計算操作，然后一起傳給外部計算，最后結(jié)果只傳回一次，這樣傳輸代價最低，計算效率最高
舉個例子：
import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])
這里的x不是一個實際的x，而是一個占位符，也就是一個描述，描述成了二維浮點型，后面需要用實際的值來填充，這就類似于printf("%d", 10)中的占位符%d，其中第一維是None表示可無限擴張，第二維是784個浮點型變量
如果想定義可修改的張量，可以這樣定義：
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
其中W的維度是[784, 10]，b的形狀是[10]
有了這三個變量，我們可以定義我們的softmax模型：
y = tf.nn.softmax(tf.matmul(x,W) + b)
這雖然定義，但是沒有真正的進行計算，因為這只是先用圖來描述計算操作
其中matmul是矩陣乘法，因為x的維度是[None, 784]，W的維度是[784, 10]，所以矩陣乘法得出的是[None, 10]，這樣可以和向量b相加
softmax函數(shù)會計算出10維分量的概率值，也就是y的形狀是[10]
數(shù)字識別模型實現(xiàn)
基于上面定義的x、W、b，和我們定義的模型：
y = tf.nn.softmax(tf.matmul(x,W) + b)
我們需要定義我們的目標函數(shù)，我們以交叉熵(衡量預測用于描述真相的低效性)為目標函數(shù)，讓它達到最?。?/p>
