深度学习框架Tensorflow学习与应用 第2课
2018-01-28 18:13
495 查看
2-1:非线性回归
2-2:MNIST数据集分类简单版本
10000行测试数据集(mnist.test)
每张图片包含28*28个像素
MNIST数据集的标签是介于0-9的数字
输出:
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #使用numpy生成200个随机点,[:,np.newaxis]增加一个维度 x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis] noise = np.random.normal(0,0.02,x_data.shape) y_data = np.square(x_data) + noise #定义两个placeholder x = tf.placeholder(tf.float32,[None,1]) y = tf.placeholder(tf.float32,[None,1]) #定义神经网络中间层 Weights_L1 = tf.Variable(tf.random_normal([1,10])) biases_L1 = tf.Variable(tf.zeros([1,10])) Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1 L1 = tf.nn.tanh(Wx_plus_b_L1) #定义神经网络输出层 Weights_L2 = tf.Variable(tf.random_normal([10,1])) biases_L2 = tf.Variable(tf.zeros([1,1])) Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2 prediction = tf.nn.tanh(Wx_plus_b_L2) #二次代价函数 loss = tf.reduce_mean(tf.square(y-prediction)) #使用梯度下降法训练 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) with tf.Session() as sess: #变量初始化 sess.run(tf.global_variables_initializer()) for _ in range(2000): sess.run(train_step,feed_dict={x:x_data,y:y_data}) #获得预测值 prediction_value = sess.run(prediction,feed_dict={x:x_data}) #画图 plt.figure() plt.scatter(x_data,y_data) plt.plot(x_data,prediction_value,'r-',lw=5) plt.show()
2-2:MNIST数据集分类简单版本
MNIST数据集介绍:
60000行的训练数据集(mnist.train)10000行测试数据集(mnist.test)
每张图片包含28*28个像素
MNIST数据集的标签是介于0-9的数字
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf #载入数据集 mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #每个批次的大小 batch_size = 100 #计算一共有多少个批次 n_batch = mnist.train.num_examples//batch_size #定义两个placeholder x = tf.placeholder(tf.float32,[None, 784]) y = tf.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) predicton = tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss = tf.reduce_mean(tf.square(y-predicton)) #使用梯度下降法 train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init = tf.global_variables_initializer() #结果存放在一个布尔型列表中 #tf.argmax(input, axis=None, name=None, dimension=None)此函数是对矩阵按行或列计算最大值 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(predicton,1)) #求准确率 #tf.cast(x, dtype, name=None) ,把x转化为dtype型 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: sess.run(init) for epoch in range(21):#训练21次 for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter "+str(epoch)+"Test Accuracy " + str(acc))
输出:
相关文章推荐
- 深度学习框架TensorFlow学习与应用(一)——基本概念与简单示例
- 深度学习框架TensorFlow学习与应用(一)——基本概念与简单示例
- 深度学习框架TensorFlow学习与应用(四)——拟合问题、优化器
- 深度学习框架TensorFlow学习与应用(六)——卷积神经网络应用于MNIST数据集分类
- 深度学习框架TensorFlow学习与应用(六)——卷积神经网络应用于MNIST数据集分类
- 深度学习框架Tensorflow学习与应用 图像数据处理之一
- 深度学习——残差神经网络ResNet在分别在Keras和tensorflow框架下的应用案例
- 深度学习框架TensorFlow学习与应用(三)——使用交叉熵作为代价函数
- 深度学习框架Tensorflow学习与应用 图像数据处理之二
- 深度学习框架Tensorflow学习与应用
- 深度学习框架TensorFlow学习与应用(五)——TensorBoard结构与可视化
- 深度学习框架TensorFlow学习与应用(二)——非线性回归、MINST数据集分类
- 深度学习框架Tensorflow学习与应用 第1课
- 深度学习框架TensorFlow学习与应用(二)——非线性回归、MINST数据集分类
- 炼数成金《深度学习框架Tensorflow学习与应用》
- 深度学习框架TensorFlow学习与应用(五)——TensorBoard结构与可视化
- 深度学习框架TensorFlow学习与应用(四)——拟合问题、优化器
- 深度学习——卷积神经网络在tensorflow框架下的应用案例
- 深度学习框架TensorFlow学习与应用(七)——循环神经网络(RNN)应用于MNIST数据集分类
- 使用深度学习TensorFlow框架进行图片识别