TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率

输出结果

设计代码

输出结果

设计代码

#TF之LoR：基于tensorflow实现手写数字图片识别准确率import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib.pyplot as plt mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
print(mnist)#设置超参数
lr=0.001                      #学习率
training_iters=100       #训练次数
batch_size=100                #每轮训练数据的大小，如果一次训练5000张图片，电脑会卡死，分批次训练会更好
display_step=1#tf Graph的输入
x=tf.placeholder(tf.float32, [None,784])
y=tf.placeholder(tf.float32, [None, 10])#设置权重和偏置
w =tf.Variable(tf.zeros([784,10]))
b =tf.Variable(tf.zeros([10]))#设定运行模式
pred =tf.nn.softmax(tf.matmul(x,w)+b)  #
#设置cost function为cross entropy
cost =tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))
#GD算法
optimizer=tf.train.GradientDescentOptimizer(lr).minimize(cost) #初始化权重
init=tf.global_variables_initializer()
#开始训练
with tf.Session() as sess: sess.run(init)avg_cost_list=[]for epoch in range(training_iters):  #输入所有训练数据avg_cost=0.total_batch=int(mnist.train.num_examples/batch_size)for i in range(total_batch): #遍历每个batch
……if (epoch+1) % display_step ==0:  #显示每次迭代日志print("迭代次数Epoch:","%04d" % (epoch+1),"下降值cost=","{:.9f}".format(avg_cost))avg_cost_list.append(avg_cost)print("Optimizer Finished!")print(avg_cost_list)#测试模型correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))print("Accuracy:",accuracy.eval({x:mnist.test.images[:3000],y:mnist.test.labels[:3000]}))xdata=np.linspace(0,training_iters,num=len(avg_cost_list))  plt.figure()  plt.plot(xdata,avg_cost_list,'r')plt.xlabel('训练轮数')plt.ylabel('损失函数')plt.title('TF之LiR：基于tensorflow实现手写数字图片识别准确率——Jason Niu')     plt.show()

TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率相关推荐

DL之RBM：基于RBM实现手写数字图片识别提高准确率
DL之RBM:基于RBM实现手写数字图片识别提高准确率目录输出结果设计代码输出结果设计代码 import numpy as np import matplotlib.pyplot as pl ...
TF：利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%)
TF:利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%) 目录设计思路全部代码设计思路全部代码 #TF:利用是Softmax回归+GD ...
DL之NN：利用(本地数据集50000张数据集)调用自定义神经网络network.py实现手写数字图片识别94%准确率
DL之NN:利用(本地数据集50000张数据集)调用自定义神经网络network.py实现手写数字图片识别94%准确率目录输出结果代码设计输出结果更新-- 代码设计 import mnist ...
TF之LiR：基于tensorflow实现手写数字图片识别准确率
TF之LiR:基于tensorflow实现手写数字图片识别准确率目录输出结果代码设计输出结果 Extracting MNIST_data\train-images-idx3-ubyte.gz ...
TF：基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99%
TF:基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99% 导读与Softmax回归模型相比,使用两层卷积的神经网络模型借助了卷积的威力,准确率高非常大的提升. 目录输出结果代码 ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果下边两张 ...
TF之NN：利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别
TF之NN:利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别目录输出结果代码设计输出结果代码设计 ...
TF之DNN：利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程
TF之DNN:利用DNN[784→500→10]对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程目录输出结果案例理解DNN过程思路代码设计输出结果案 ...
TF之CNN：利用sklearn(自带手写数字图片识别数据集)使用dropout解决学习中overfitting的问题+Tensorboard显示变化曲线
TF之CNN:利用sklearn(自带手写数字图片识别数据集)使用dropout解决学习中overfitting的问题+Tensorboard显示变化曲线目录输出结果设计代码输出结果设计代码 ...

TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率

输出结果

设计代码

TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率相关推荐

最新文章

热门文章