神经网络提升mnist识别率
2017-10-13 23:27
120 查看
跟着tensorflow入门学习构建一个神经网络提升mnist识别率,最终提升到接近1的正确率了,基本参考网站代码,自己打上去顺便理解下过程,不懂得地方做了中文标注
# -*- coding:gbk -*- import input_data import tensorflow as tf mnist=input_data.read_data_sets("MNIST_data/", one_hot=True) #添加x作为占位符 x=tf.placeholder("float", [None, 784]) #正确结果占位符 y_=tf.placeholder("float", [None,10]) #设置权重函数 def weight_variable(shape): #tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度,mean是均值,stddev是标准差。这个函数产生正态分布,均值和标准差自己设定 #权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度 initial=tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) #设置偏置函数 #由于我们使用的是ReLU神经元,因此比较好的做法是用一个较小的正数来初始化偏置项,以避免神经元节点输出恒为0的问题(dead neurons) def bias_variable(shape): initial=tf.constant(0.1, shape=shape) return tf.Variable(initial) #卷积函数 #卷积使用1步长,0边距的模板,池化用2x2的模板 def conv2d(x, W): #x:待卷积的矩阵具有[batch, in_height, in_width, in_channels]这样的shape #w:卷积核具有[filter_height, filter_width, in_channels, out_channels]这样的shape #strides:卷积时在图像每一维的步长,这是一个一维的向量,长度4 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #池化函数 #和卷积基本相同 def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME') #卷积在每个5x5的patch中算出32个特征。 #卷积的权重张量形状是[5, 5, 1, 32],前两个维度是patch的大小, #接着是输入的通道数目,最后是输出的通道数目 W_conv1=weight_variable([5, 5, 1, 32]) b_conv1=bias_variable([32]) #shape:[batch, in_height, in_width, in_channels] x_image=tf.reshape(x, [-1,28,28,1]) #卷积+偏置,然后给relu激活函数,最后激活函数返回值池化 h_conv1=tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1=max_pool_2x2(h_conv1) #第二层卷积,池化 W_conv2=weight_variable([5, 5, 32, 64]) b_conv2=bias_variable([64]) h_conv2=tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2=max_pool_2x2(h_conv2) #全连接层 W_fc1=weight_variable([7 * 7 * 64, 1024]) b_fc1=bias_variable([1024]) h_pool2_flat=tf.reshape(h_pool2, [-1, 7*7*64]) h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #dropout方法减轻过拟合问题 keep_prob=tf.placeholder("float") h_fc1_drop=tf.nn.dropout(h_fc1, keep_prob) #softmax层 W_fc2=weight_variable([1024, 10]) b_fc2=bias_variable([10]) y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #训练和评估模型 cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv)) train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction=tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction, "float")) sess = tf.InteractiveSession() sess.run(tf.initialize_all_variables()) for i in range(2000): batch=mnist.train.next_batch(50) if i%100 == 0: train_accuracy=accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0}) print("step %d, training accuracy %g"%(i, train_accuracy)) train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
相关文章推荐
- 腾讯AI Lab涂兆鹏:如何提升神经网络翻译的忠实度 | PhD Talk #22
- 可视化展示神经网络是如何将分类正确率提升的
- 【deeplearning.ai】第二门课:提升深层神经网络——偏差和方差
- 【R的机器学习】模型性能提升探索:神经网络
- 【deeplearning.ai】第二门课:提升深层神经网络——正则化的编程作业
- 【deeplearning.ai】第二门课:提升深层神经网络——权重初始化
- 今晚直播 | 腾讯AI Lab涂兆鹏:如何提升神经网络翻译的忠实度
- 神经网络的提升方法(2)——正则化
- 腾讯AI Lab涂兆鹏:如何提升神经网络翻译的忠实度 | 附PPT + 视频
- 【R的机器学习】模型性能提升探索:R的其他神经网络包-neuralnet
- 【deeplearning.ai】第二门课:提升深层神经网络——正则化
- 神经网络学习笔记
- 【神经网络与深度学习】【CUDA开发】caffe-windows win32下的编译尝试
- 连公式都没看懂?!学渣谨碰这个「神经网络」
- 神经网络基本原理-4.6神经网络常用损失函数
- 【深度学习】在Caffe中配置神经网络的每一层结构
- Stanford机器学习---第四讲. 神经网络的表示 Neural Networks representation
- 神经网络学习笔记-01-基本概念
- 【TensorFlow】官方MNIST数据集神经网络实例详解(六)
- 深层神经网络——激活函数去线性化