利用Tensorflow实现神经网络模型
2017-05-09 15:09
676 查看
首先看一下神经网络模型,一个比较简单的两层神经。
代码如下:
代码如下:
# 定义参数 n_hidden_1 = 256 #第一层神经元 n_hidden_2 = 128 #第二层神经元 n_input = 784 #输入大小,28*28的一个灰度图,彩图没有什么意义 n_classes = 10 #结果是要得到一个几分类的任务 # 输入和输出 x = tf.placeholder("float", [None, n_input]) y = tf.placeholder("float", [None, n_classes]) # 权重和偏置参数 stddev = 0.1 weights = { 'w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev=stddev)), 'w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev=stddev)), 'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes], stddev=stddev)) } biases = { 'b1': tf.Variable(tf.random_normal([n_hidden_1])), 'b2': tf.Variable(tf.random_normal([n_hidden_2])), 'out': tf.Variable(tf.random_normal([n_classes])) } print ("NETWORK READY") def multilayer_perceptron(_X, _weights, _biases): #第1层神经网络 = tf.nn.激活函数(tf.加上偏置量(tf.矩阵相乘(输入Data, 权重W1), 偏置参数b1)) layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(_X, _weights['w1']), _biases['b1'])) #第2层的格式与第1层一样,第2层的输入是第1层的输出。 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['w2']), _biases['b2'])) #返回预测值 return (tf.matmul(layer_2, _weights['out']) + _biases['out']) # 预测 pred = multilayer_perceptron(x, weights, biases) # 计算损失函数和优化 cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y)) optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost) corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) accr = tf.reduce_mean(tf.cast(corr, "float")) # 初始化 init = tf.global_variables_initializer() print ("FUNCTIONS READY") # 训练 training_epochs = 20 batch_size = 100 display_step = 4 # LAUNCH THE GRAPH sess = tf.Session() sess.run(init) # 优化器 for epoch in range(training_epochs): avg_cost = 0. total_batch = int(mnist.train.num_examples/batch_size) # 迭代训练 for i in range(total_batch): batch_xs, batch_ys = mnist.train.next_batch(batch_size) feeds = {x: batch_xs, y: batch_ys} sess.run(optm, feed_dict=feeds) avg_cost += sess.run(cost, feed_dict=feeds) avg_cost = avg_cost / total_batch # 打印结果 if (epoch+1) % display_step == 0: print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost)) feeds = {x: batch_xs, y: batch_ys} train_acc = sess.run(accr, feed_dict=feeds) print ("TRAIN ACCURACY: %.3f" % (train_acc)) feeds = {x: mnist.test.images, y: mnist.test.labels} test_acc = sess.run(accr, feed_dict=feeds) print ("TEST ACCURACY: %.3f" % (test_acc)) print ("OPTIMIZATION FINISHED")
相关文章推荐
- 利用TensorFlow训练简单的二分类神经网络模型的方法
- 利用tensorflow 一步一步实现一个简单神经网络,线性回归
- 谷歌神经网络机器翻译NMT:人人可利用TensorFlow快速建立翻译模型
- 基于循环神经网络实现基于字符的语言模型(char-level RNN Language Model)-tensorflow实现
- 利用TensorFlow训练简单的二分类神经网络模型
- 利用tensorflow实现神经网络卷积层、池化层、全连接层
- 利用tensorflow实现简单的神经网络
- 使用循环神经网络实现语言模型——源自《TensorFlow:实战Goole深度学习框架》
- 利用tensorflow一步一步实现基于MNIST 数据集进行手写数字识别的神经网络,逻辑回归
- TensorFlow深度学习笔记 实现与优化深度神经网络
- 基于回归神经网络的中文语句模型实践(Python+Tensorflow+阿里云)
- 实现神经网络番外:利用Excel实现神经网络和BP算法
- 神经网络:利用C++实现前馈神经网络
- (#########优化器函数########)TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- Tensorflow实现神经网络
- TensorFlow学习系列(四):利用神经网络实现泛逼近器(universal approximator)
- tensorflow实现循环神经网络
- [action] deep learning 深度学习 tensorflow 实战(2) 实现简单神经网络以及随机梯度下降算法S.G.D
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络