TF之LSTM:利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练、评估(偶尔100%准确度,交叉熵验证)
TF之LSTM:利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练、评估(偶尔100%准确度,交叉熵验证)
目录
输出结果
设计思路
代码设计
输出结果
第 0 accuracy 0.125
第 20 accuracy 0.6484375
第 40 accuracy 0.78125
第 60 accuracy 0.9296875
第 80 accuracy 0.8671875
第 100 accuracy 0.90625
第 120 accuracy 0.8671875
第 140 accuracy 0.8671875
第 160 accuracy 0.8671875
第 180 accuracy 0.921875
第 200 accuracy 0.890625
第 220 accuracy 0.953125
第 240 accuracy 0.921875
第 260 accuracy 0.9296875
第 280 accuracy 0.9140625
第 300 accuracy 0.921875
第 320 accuracy 0.9609375
第 340 accuracy 0.953125
第 360 accuracy 0.984375
第 380 accuracy 0.921875
第 400 accuracy 0.9453125
第 420 accuracy 0.921875
第 440 accuracy 0.9296875
第 460 accuracy 0.96875
第 480 accuracy 0.984375
第 500 accuracy 0.96875
第 520 accuracy 0.953125
第 540 accuracy 0.96875
第 560 accuracy 0.953125
第 580 accuracy 0.9921875
第 600 accuracy 0.984375
第 620 accuracy 0.953125
第 640 accuracy 0.953125
第 660 accuracy 0.9921875
第 680 accuracy 0.96875
第 700 accuracy 0.9765625
第 720 accuracy 0.96875
第 740 accuracy 0.9921875
第 760 accuracy 0.984375
第 780 accuracy 0.953125
设计思路
代码设计
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)lr=0.001
training_iters=100000
batch_size=128 n_inputs=28
n_steps=28
n_hidden_units=128
n_classes=10 x=tf.placeholder(tf.float32, [None,n_steps,n_inputs])
y=tf.placeholder(tf.float32, [None,n_classes])weights ={'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),'out':tf.Variable(tf.random_normal([n_hidden_units,n_classes])),}
biases ={'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_units,])),'out':tf.Variable(tf.constant(0.1,shape=[n_classes,])),}def RNN(X,weights,biases): X=tf.reshape(X,[-1,n_inputs])X_in=tf.matmul(X,weights['in'])+biases['in'] X_in=tf.reshape(X_in,[-1,n_steps,n_hidden_units])lstm_cell=tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units,forget_bias=1.0,state_is_tuple=True)__init__state=lstm_cell.zero_state(batch_size, dtype=tf.float32)outputs,states=tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=__init__state,time_major=False)outputs=tf.unpack(tf.transpose(outputs, [1,0,2]))results=tf.matmul(outputs[-1],weights['out'])+biases['out']return resultspred =RNN(x,weights,biases)
cost =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
train_op=tf.train.AdamOptimizer(lr).minimize(cost) correct_pred=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy=tf.reduce_mean(tf.cast(correct_pred,tf.float32))
<br>
with tf.Session() as sess: sess.run(init)step=0while step*batch_size < training_iters: batch_xs,batch_ys=mnist.train.next_batch(batch_size)batch_xs=batch_xs.reshape([batch_size,n_steps,n_inputs])sess.run([train_op],feed_dict={x:batch_xs,y:batch_ys,})if step%20==0: print(sess.run(accuracy,feed_dict={x:batch_xs,y:batch_ys,}))step+=1
相关文章
TF之LSTM:利用LSTM算法对mnist手写数字图片数据集训练、评估(偶尔100%准确度)
TF之LSTM:利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练、评估(偶尔100%准确度,交叉熵验证)相关推荐
- DL之DNN:利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练、预测(95%)
DL之DNN:利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练.预测(95%) 目录 数据集展示 输出结果 设计代码 数据集展示 先查看sklearn自带di ...
- TF之LSTM:利用多层LSTM算法对MNIST手写数字识别数据集进行多分类
TF之LSTM:利用多层LSTM算法对MNIST手写数字识别数据集进行多分类 目录 设计思路 实现代码 设计思路 更新-- 实现代码 # -*- coding:utf-8 -*- import ten ...
- 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LiRDNNCNN:利用LiR、DNN、CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测
DL之LiR&DNN&CNN:利用LiR.DNN.CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测 目录 输出结果 设计思路 核心代码 输出结果 数据集:Da ...
- DL之DNN:利用DNN【784→50→100→10】算法对MNIST手写数字图片识别数据集进行预测、模型优化
DL之DNN:利用DNN[784→50→100→10]算法对MNIST手写数字图片识别数据集进行预测.模型优化 导读 目的是建立三层神经网络,进一步理解DNN内部的运作机制 目录 输出结果 设计思路 ...
- 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 ...
- 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 ...
- 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 ...
- DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)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-Sequential)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 1.10 ...
最新文章
- 【大神公开课】旷视研究院院长-孙剑博士:视觉计算前沿进展
- 常见加密算法分类,用途,原理以及比较
- 功能性农业谋定乡村振兴路径-万祥军:灌区农业大健康产业
- Android OpenGL ES抗锯齿
- 深度学习入门之线性模型和梯度下降
- leetcode 729, 731, 732. My Calendar I, II, III | 729. 我的日程安排表 I, II, III(线段树)
- Native snappy library not available: this version of libhadoop was built without snappy support
- Android Build.VERSION.SDK_INT兼容介绍
- 自建比赛服务器,《三国杀》怎么自己创建比赛?自建赛事规则介绍
- YEAH!!距离拿回touch4倒计时:7days
- 计算机xp桌面没有下面的图标,Windows XP 启动后桌面无图标、无任务栏的问题
- 转】M1卡密钥破解,收藏
- 云优CMS批量翻译插件
- 伪随机数的爆破--2
- Unity 360全景图转换为天空盒子
- 输入框有值无法输入问题
- C++使用windows API实现https站点的访问
- Ubuntu 18.04上搜狗输入法简繁体切换快捷键Ctrl+shift+f和AndroidSdtuio的全局搜索冲突
- CSP-JS全套认证须知
- 车联网各领域头部企业排行榜