TF之LiR:基于tensorflow实现手写数字图片识别准确率
TF之LiR:基于tensorflow实现手写数字图片识别准确率
目录
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 ...
最新文章
- JAVA环境变量的配置
- KNN 最近邻算法(K近邻)
- iOS开发网络篇—多线程断点下载
- WPF界面设计技巧(3)—实现不规则动画按钮
- am335x reboot 命令分析
- 通用apdu指令_8086微处理器中的通用指令格式
- springboot2.0集成activiti modeler
- python3高级 之 生成器
- Jack Dorsey首条推文NFT的买家在伊朗被捕
- 拉卡拉2020年股东净利润9.31亿 积极布局数字人民币业务
- 每天一算法(二)实现栈的push pop 操作,并可以输出栈的最小值
- 哪些多年前已从iBoxDB内核中移出的功能
- HTML中浮动的特性,浅谈CSS浮动的特性
- 保姆级Ruby on rails安装教程
- PHP完全自学手册(文档教程)
- 便携式电热水壶外贸出口欧洲CE认证准备资料
- Service的绑定过程
- Spring Boot (Filter)过滤器的实现以及使用场景
- IO复用功能占用时,普通GPIO功能使用
- Flutter安装详解 as版本