北京大学曹健——Tensorflow笔记 05 MNIST数据集输出手写数字识别准确率

# 前向传播：描述了网络结构  minist_forward.py
# 反向传播：描述了模型参数的优化方法  mnist_backward.py
# 测试输出准确率minist_test.pyimport tensorflow as tf# 首先定义神经网络的相关参数
INPUT_NODE = 784   #神经网络输入节点是784个，因为输入是图片像素值，每张图片28*28,共784像素点，每个像素点是0~1之间的浮点数，这784个点组成一个一维数组
OUTPUT_NODE = 10   #输出10个数，每个数表示对应的索引号出现的概率，实现了十分类
LAYER1_NODE = 500  # 定义了隐藏层的节点个数def get_weight(shape, regularizer):w = tf.Variable(tf.truncated_normal(shape, stddev = 0.1))  #更透过tf.Vwariable，在训练神经网络时，随机生成参数wif regularizer != None:  #如果使用正则化，则将每个变量的损失加入到总损失lossestf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))return wdef get_bias(shape):b = tf.Variable(tf.zeros(shape))return bdef forward(x,regularizer):  #搭建神经网络，描述从输入到输出的数据流w1 = get_weight([INPUT_NODE,LAYER1_NODE],regularizer)b1 = get_bias([LAYER1_NODE])y1 = tf.nn.relu(tf.matmul(x,w1) + b1)  #第一层参数w1/b1/y1w2 = get_weight([LAYER1_NODE,OUTUT_NODE],regularizer)b1 = get_bias([OUTPUT_NODE])y = tf.matmul(y1,w2) + b2   #第二层参数w1/b2/y y直接输出return y   #因为要对输出使用softmax函数，使它符合概率分布，所以输出y不过value函数

# 前向传播：描述了网络结构  minist_forward.py
# 反向传播：描述了模型参数的优化方法  mnist_backward.py
# 测试输出准确率minist_test.pyimport tensorflow as tf
from tensorflow.examples.tutorials.minist import input_date
import minist_forward
import os# 首先定义神经网络的相关参数
BATCH_SIZE = 200              # 定义每轮喂入神经网络多少张图片
LEARNING_RATE_BASE = 0.1      # 学习率
LEARNING_RATE_DECAY = 0.99    # 衰减率
REGULARIZER = 0.0001          # 正则化系数
STEPS = 50000                 # 训练50000轮
MOVING_AVERAGE_DECAY = 0.99   # 滑动平均衰减率
MODEL_SAVE_PATH = "./model"   # 模型保存路径
MODEL_NAME = "mnist_model"    # 模型保存文件名def backward(mnist):          # backward函数中读入mnistx = tf.placeholder(tf.float32,[None,mnist_forward.INPUT_NODE])      # 用placeholder给x占位y_ = tf.placeholder(tf.float32, [None, mnist_forward.OUTPUT_NODE])  # 用placeholder给y_占位y = minist_forward.forward(x,REGULARIZER)                           # 用前向传播函数计算输出yglobal_step = tf.Variable(0,trainable=False)     # 给轮数计数器global_step赋初值，定义为不可训练ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits = y,labels = tf.arg_max(y_,1))cem = tf.reduce_mean(ce)loss = cem + tf.add_n(tf.get_collection('losses'))    # 调用包含正则化的损失函数losslearning_rate = tf.train.exponential_decay(    # 定义指数衰减学习率LEARNING_RATE_BASE,global_step,mnist.train.num_examples / BATCH_SIZE,LEARNING_RATE_DECAY,staircase=True)train_step = tf.train.ProximalGradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)ema_op = ema.apply(tf.trainable_variables())with tf.control_dependencies([train_step,ema_op]):train_op = tf.no_op(name = 'train')saver = tf.train.Saver()  # 实例化Saverwith tf.Session as sess:        # 在with结构中初始化所有变量init_op = tf.gloabal_variables_initiator()sess.run(init_op)for i in range(STEPS):     # 用for循环迭代steps轮xs,ys = mnist.train.next_batch(BATCH_SIZE) # 每次读入BATCH_SIZE图片和标签，喂入神经网络进行训练_,loss_value,step = sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys}) # 必须执行sess.run才能得到模型结果if i % 1000 == 0:print("After %d training steps, loss on training batch is %g"%(step,loss_value))saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME,global_step=global_step))def main():mnist = input_date.read_data_sets("./data/",one_hot=True)backward(mnist)if __name__ == __main__:main()

北京大学曹健——Tensorflow笔记 05 MNIST数据集输出手写数字识别准确率相关推荐

基于TensorFlow和mnist数据集的手写数字识别系统，可识别电话号码，识别准确率高，有对比实验，两组模型，可讲解代码
基于TensorFlow和mnist数据集的手写数字识别系统 ,可识别电话号码,识别准确率高,有对比实验,两组模型,可讲解代码
DL之CNN：自定义SimpleConvNet【3层,im2col优化】利用mnist数据集实现手写数字识别多分类训练来评估模型
DL之CNN:自定义SimpleConvNet[3层,im2col优化]利用mnist数据集实现手写数字识别多分类训练来评估模型目录输出结果设计思路核心代码更多输出输出结果设计思路核心 ...
MNIST数据集实现手写数字识别（基于tensorflow）
------------先看看别人的博客--------------------- Tensorflow 实现 MNIST 手写数字识别用这个的代码跑通了使用Tensorflow和 ...
matlab朴素贝叶斯手写数字识别_基于MNIST数据集实现手写数字识别
介绍在TensorFlow的官方入门课程中,多次用到mnist数据集.mnist数据集是一个数字手写体图片库,但它的存储格式并非常见的图片格式,所有的图片都集中保存在四个扩展名为idx*-ubyte ...
神经网络——实现MNIST数据集的手写数字识别
由于官网下载手写数字的数据集较慢,因此提供便捷下载地址如下手写数字的数据集MNIST下载:https://download.csdn.net/download/gaoyu1253401563/108 ...
【机器学习】基于mnist数据集的手写数字识别
文章目录第1关:创建训练样本批量生成器第2关:创建卷积神经网络
【MLP实战】001：基于Minist数据集的手写数字识别
本文又是一篇基于Minist数据集的手写数字识别. 首先,mnist数据集: 链接:https://pan.baidu.com/s/1z7R7_jnDKZm9F7M6n8hiIw 提取码:rn8z 首 ...
tensorflow应用：双向LSTM神经网络手写数字识别
tensorflow应用:双向LSTM神经网络手写数字识别思路 Python程序1.建模训练保存 Tensorboard检查计算图及训练结果打开训练好的模型进行预测思路将28X28的图片看成2 ...
matlab 对mnist手写数字数据集进行判决分析_人工智能TensorFlow（十四）MINIST手写数字识别...
MNIST是一个简单的视觉计算数据集,它是像下面这样手写的数字图片: MNIST 每张图片还额外有一个标签记录了图片上数字是几,例如上面几张图的标签就是:5.0.4.1. MINIST数据 MINIS ...

北京大学曹健——Tensorflow笔记 05 MNIST数据集输出手写数字识别准确率

北京大学曹健——Tensorflow笔记 05 MNIST数据集输出手写数字识别准确率相关推荐

最新文章

热门文章