TF之LiR：基于tensorflow实现手写数字图片识别准确率

输出结果

代码设计

输出结果

Extracting MNIST_data\train-images-idx3-ubyte.gz
Please use tf.data to implement this functionality.
Extracting MNIST_data\train-labels-idx1-ubyte.gz
Please use tf.one_hot on tensors.
Extracting MNIST_data\t10k-images-idx3-ubyte.gz
Extracting MNIST_data\t10k-labels-idx1-ubyte.gz
Please use alternatives such as official/mnist/dataset.py from tensorflow/models.
Datasets(train=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x00000207535F9EB8>, validation=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x00000207611319E8>, test=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x0000020761131A20>)
迭代次数Epoch: 0001 下降值cost= 0.000000000
迭代次数Epoch: 0002 下降值cost= 0.000000000
迭代次数Epoch: 0003 下降值cost= 0.000000000
迭代次数Epoch: 0004 下降值cost= 0.000000000
迭代次数Epoch: 0005 下降值cost= 0.000000000
迭代次数Epoch: 0006 下降值cost= 0.000000000
迭代次数Epoch: 0007 下降值cost= 0.000000000
迭代次数Epoch: 0008 下降值cost= 0.000000000
迭代次数Epoch: 0009 下降值cost= 0.000000000
迭代次数Epoch: 0010 下降值cost= 0.000000000
迭代次数Epoch: 0011 下降值cost= 0.000000000
迭代次数Epoch: 0012 下降值cost= 0.000000000
迭代次数Epoch: 0013 下降值cost= 0.000000000
迭代次数Epoch: 0014 下降值cost= 0.000000000
迭代次数Epoch: 0015 下降值cost= 0.000000000
迭代次数Epoch: 0016 下降值cost= 0.000000000
……
迭代次数Epoch: 0099 下降值cost= 0.000000000
迭代次数Epoch: 0100 下降值cost= 0.000000000
Optimizer Finished!

代码设计

# -*- coding: utf-8 -*-#TF之LiR：基于tensorflow实现手写数字图片识别准确率import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_datamnist = 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=128                #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)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batchbatch_xs,batch_ys=mnist.train.next_batch(batch_size)_, c=sess.run([optimizer,cost],feed_dict={x:batch_xs,y:batch_ys}) #把每个batch数据放进去训练avg_cost==c/total_batchif (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))print("Optimizer Finished!")#测试模型correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))accuracy=tf.equal_mean(tf.cast(correct_prediction),tf.float32)print("Accuracy:",accuracy_eval({x:mnist.test.image[:3000],y:mnist}))

TF之LiR：基于tensorflow实现手写数字图片识别准确率相关推荐

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 ...
ML之K-means：基于(完整的)手写数字图片识别数据集利用K-means算法实现图片聚类
ML之K-means:基于(完整的)手写数字图片识别数据集利用K-means算法实现图片聚类目录输出结果设计思路核心代码输出结果设计思路核心代码 metrics.adjusted_ran ...
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
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目录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 ...
基于tensorflow的手写数字识别
基于tensorflow的手写数字识别数据准备引入包加载数据查看数据信息查看一张图片数据预处理搭建网络模型模型的预测与评价模型的展示对一张图片进行预测准确率数据准备引入包 i ...
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：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 ...
Dataset之MNIST：MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集)
Dataset之MNIST:MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集) 目录数据集下载的所有代码 1.主文件 mni ...

TF之LiR：基于tensorflow实现手写数字图片识别准确率

输出结果

代码设计

TF之LiR：基于tensorflow实现手写数字图片识别准确率相关推荐

最新文章

热门文章