Tensorflow— 递归神经网络RNN

代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

运行结果：

Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

代码：

# 输入图片是28*28
n_inputs = 28 #输入一行，一行有28个数据
max_time = 28 #一共28行
lstm_size = 100 #隐层单元
n_classes = 10 # 10个分类
batch_size = 50 #每批次50个样本
n_batch = mnist.train.num_examples // batch_size #计算一共有多少个批次#这里的none表示第一个维度可以是任意的长度
x = tf.placeholder(tf.float32,[None,784])
#正确的标签
y = tf.placeholder(tf.float32,[None,10])#初始化权值
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
#初始化偏置值
biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))#定义RNN网络
def RNN(X,weights,biases):# inputs=[batch_size, max_time, n_inputs]inputs = tf.reshape(X,[-1,max_time,n_inputs])#定义LSTM基本CELLlstm_cell = tf.contrib.rnn.BasicLSTMCell(lstm_size)# final_state[state, batch_size, cell.state_size]# final_state[0]是cell state   # final_state[1]是hidden_state 最后输出的信号# outputs: The RNN output `Tensor`.# If time_major == False (default), this will be a `Tensor` shaped:#   `[batch_size, max_time, cell.output_size]`.# If time_major == True, this will be a `Tensor` shaped:#   `[max_time, batch_size, cell.output_size]`.outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)results = tf.nn.softmax(tf.matmul(final_state[1],weights) + biases)return results#计算RNN的返回结果
prediction= RNN(x, weights, biases)
#损失函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))
#使用AdamOptimizer进行优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型
#初始化
init = tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)for epoch in range(6):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) + ", Testing Accuracy= " + str(acc))

运行结果：

Iter 0, Testing Accuracy= 0.7258
Iter 1, Testing Accuracy= 0.7861
Iter 2, Testing Accuracy= 0.8223
Iter 3, Testing Accuracy= 0.8923
Iter 4, Testing Accuracy= 0.9145
Iter 5, Testing Accuracy= 0.9193

Tensorflow— 递归神经网络RNN相关推荐

递归神经网络RNN——LSTM
递归神经网络RNN--LSTM 1.LSTM的产生原因及优点 2.LSTM网络结构 3.LSTM工作机制 4.LSTM Attention 机制关于LSTM模型,看懂这篇文章就OK了,不用再看别的了 ...
rnn 递归神经网络_递归神经网络rnn的简单解释
rnn 递归神经网络 Recurrent neural network is a type of neural network used to deal specifically with seque ...
递归神经网络RNN总结
一.前述传统的神经网络每个输入节点之间没有联系, RNN (对中间信息保留): 由图可知,比如第二个节点的输入不仅依赖于本身的输入U1,而且依赖上一个节点的输入W0,U0,同样第三个节点依赖于前两个 ...
卷积神经网络基础：（8）递归神经网络RNN
1.RNN网络由来 RNN:Recurrent Neural Network.递归神经网络只是在传统神经网络上进行一个改进而已. 正常流程是:输入---->隐层---->输出 (数据来了经 ...
lecture7-序列模型及递归神经网络RNN
Hinton 第七课 .这里先说下RNN有recurrent neural network 和 recursive neural network两种,是不一样的,前者指的是一种人工神经网络,后者指的是 ...
matlab递归神经网络RNN实现：桨距控制控制风力发电机组研究
本文介绍了用于涡轮桨距角控制的永磁同步发电机(PMSG)和高性能在线训练递归神经网络(RNN)的混合模糊滑模损失最小化控制的设计.反向传播学习算法用于调节RNN控制器.PMSG速度使用低于额定速度的最 ...
递归神经网络RNN桨距控制控制风力发电机组
本文介绍了用于涡轮桨距角控制的永磁同步发电机(PMSG)和高性能在线训练递归神经网络(RNN)的混合模糊滑模损失最小化控制的设计.反向传播学习算法用于调节RNN控制器.PMSG速度使用低于额定速度的最 ...
递归神经网络RNN网络 LSTM
转自: https://blog.csdn.net/Jerr__y/article/details/61195257 @author: huangyongye 前言: 根据我本人学习 TensorFl ...
算法基础——递归神经网络RNN
CNN主要用于CV领域,RNN主要用于NLP领域,RNN的输入数据是文本数据. 假设 t1 时刻,有输入x1进入隐藏层,得到特征h1,h1会返回和 t2 时刻的输入x2一起输入隐藏层,得到特征h2 ...

Tensorflow— 递归神经网络RNN

Tensorflow— 递归神经网络RNN相关推荐

最新文章

热门文章