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)

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 ...

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)

输出结果

设计思路

代码设计

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

最新文章

热门文章