TensorFlow(3) MNIST数据集分类简单版本(神经网络:一个输入层,一个输出层)
2018-04-24 21:05
316 查看
MNIST数据集分类简单版本(神经网络:一个输入层,一个输出层)
import tensorflow as tf #加载tensorflow mnist数据集 from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #one_hot:将标签转换为0和1的形式 #每个批次的大小 batch_size=100 #神经网络中训练按照批次,并不是一张一张图片训练的,批次大小自定义(按照矩阵的形式放进去) #计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size #定义两个placeholder,784表示:每张图片是28*28=784 x=tf.placeholder(tf.float32,[None,784]) #y表示标签,数字是0-9,所以有10列 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]))#权值。输入层,784个输入值;输出层:10个标签(0-9) b=tf.Variable(tf.zeros([10]))#偏置 prediction=tf.nn.softmax(tf.matmul(x,W)+b)#tf.matmul(x,W)+b信号的总和,softmax函数将这个信号的总和转变为概率值 #二次代价函数 loss=tf.reduce_mean(tf.square(prediction-y)) #使用梯度下降法,0.2的学习率 train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #变量初始化 init=tf.global_variables_initializer() #结果存放在一个bool型列表中 #tf.equal(a,b):比较a,b的大小是否一样,一样就返回true,否则返回false #tf.argmax(y,1)求y标签中最大的值在哪个位置 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #求准确率 #tf.cast(correct_prediction,tf.float32)格式转换,将bool型转为float,然后在求平均值 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: sess.run(init) #所有的图片训练21次 for epoch in range(21): #将所有的图片训练一次 for batch in range(n_batch): batch_xs,batch_ys=mnist.train.next_batch(batch_size)#获取每一个批次的100张图片,图片数据保存在batch_xs,图片标签保存在:batch_ys 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)+",Testing Accuracy " +str(acc))
结果:
阅读更多
相关文章推荐
- TensorFlow:一个简单的神经网络
- tensorflow学习:建立一个最简单的神经网络
- 基于MNIST数据集使用TensorFlow训练一个没有隐含层的浅层神经网络
- tensorflow建立一个简单的神经网络的方法
- 基于MNIST数据集使用TensorFlow训练一个包含一个隐含层的全连接神经网络
- 利用tensorflow 一步一步实现一个简单神经网络,线性回归
- Tensorflow构建一个简单的神经网络
- 用tensorflow建造一个简单的神经网络
- tensorflow建立一个简单的神经网络
- 利用TensorFlow训练简单的二分类神经网络模型的方法
- 神经网络梯度消失的解释 发表于2016/10/6 11:08:30 10609人阅读 分类: 深度学习 转载自哈工大SCIR(公众号) 为了弄清楚为何会出现消失的梯度,来看看一个极简单的深度
- Tensorflow手写数字识别之简单神经网络分类与CNN分类效果对比
- tensorflow学习笔记二——建立一个简单的神经网络拟合二次函数
- 神经网络和深度学习(二)——一个简单的手写数字分类网络
- 神经网络与深度学习 1.3 神经网络的架构 1.4 一个简单的分类手写数字的网络架构
- 用tensorflow搭建一个简单的神经网络
- 利用tensorflow构造一个简单的神经网络
- Tensorflow 构造一个简单的神经网络
- tensorflow笔记(二)之构造一个简单的神经网络
- 利用TensorFlow训练简单的二分类神经网络模型