Tensorflow 神经网络模型架构

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

from tensorflow.examples.tutorials.mnist import input_data
print ("packs loaded")

packs loaded

mnist = input_data.read_data_sets('data/', one_hot=True)

Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz

tf.compat.v1.disable_eager_execution()

神经网络模型

# NETWORK TOPOLOGIES
n_hidden_1 = 256   # 第一层神经元个数
n_hidden_2 = 128   # 第二层神经元个数
n_input    = 784   # 输入像素点个数
n_classes  = 10    # 分类类别# INPUTS AND OUTPUTS
x = tf.compat.v1.placeholder("float", [None, n_input])
y = tf.compat.v1.placeholder("float", [None, n_classes])# NETWORK PARAMETERS
stddev = 0.1
weights = {'w1': tf.Variable(tf.random.normal([n_input, n_hidden_1], stddev=stddev)),'w2': tf.Variable(tf.random.normal([n_hidden_1, n_hidden_2], stddev=stddev)),'out': tf.Variable(tf.random.normal([n_hidden_2, n_classes], stddev=stddev))
}
biases = {'b1': tf.Variable(tf.random.normal([n_hidden_1])),'b2': tf.Variable(tf.random.normal([n_hidden_2])),'out': tf.Variable(tf.random.normal([n_classes]))
}
print ("NETWORK READY")

NETWORK READY

def multilayer_perceptron(_X, _weights, _biases):layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(_X, _weights['w1']), _biases['b1'])) layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['w2']), _biases['b2']))return tf.add(tf.matmul(layer_2, _weights['out']),  _biases['out'])

# PREDICTION
pred = multilayer_perceptron(x, weights, biases)# LOSS AND OPTIMIZER
# 损失函数：交叉熵函数 - tf.nn.softmax_cross_entropy_with_logits()
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y)) # 梯度下降优化器
optm = tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost) # 精确度
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    # 精确值
accr = tf.reduce_mean(tf.cast(corr, "float"))# INITIALIZER
init = tf.compat.v1.global_variables_initializer()
print ("FUNCTIONS READY")

FUNCTIONS READY

training_epochs = 20
batch_size      = 100
display_step    = 4# LAUNCH THE GRAPH
sess = tf.compat.v1.Session()
sess.run(init)# OPTIMIZE
for epoch in range(training_epochs):avg_cost = 0.total_batch = int(mnist.train.num_examples/batch_size)# ITERATIONfor i in range(total_batch):batch_xs, batch_ys = mnist.train.next_batch(batch_size)feeds = {x: batch_xs, y: batch_ys}# 梯度下降求解； feed_dict：填充数据sess.run(optm, feed_dict=feeds)# 计算损失值avg_cost += sess.run(cost, feed_dict=feeds)avg_cost = avg_cost / total_batch# DISPLAYif (epoch+1) % display_step == 0:print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))feeds = {x: batch_xs, y: batch_ys}train_acc = sess.run(accr, feed_dict=feeds)print ("TRAIN ACCURACY: %.3f" % (train_acc))feeds = {x: mnist.test.images, y: mnist.test.labels}test_acc = sess.run(accr, feed_dict=feeds)print ("TEST ACCURACY: %.3f" % (test_acc))print ("OPTIMIZATION FINISHED")

Epoch: 003/020 cost: -137763.534588068
TRAIN ACCURACY: 0.100
TEST ACCURACY: 0.113
Epoch: 007/020 cost: -295983.534829545
TRAIN ACCURACY: 0.110
TEST ACCURACY: 0.113
Epoch: 011/020 cost: -454205.143522727
TRAIN ACCURACY: 0.100
TEST ACCURACY: 0.113
Epoch: 015/020 cost: -612429.083977273
TRAIN ACCURACY: 0.130
TEST ACCURACY: 0.113
Epoch: 019/020 cost: -770653.138977273
TRAIN ACCURACY: 0.170
TEST ACCURACY: 0.113
OPTIMIZATION FINISHED

30
TEST ACCURACY: 0.113
Epoch: 019/020 cost: -770653.138977273
TRAIN ACCURACY: 0.170
TEST ACCURACY: 0.113
OPTIMIZATION FINISHED

Tensorflow 神经网络模型架构相关推荐

TensorFlow神经网络模型训练
TensorFlow神经网络模型训练 fashion_MNIST数据集的模型识别训练 fashion_mnist数据加载图片保存 fashion_mnist可视化神经网络模型训练,预测模型保存 ...
神经网络模型架构教程pdf,如何搭建神经网络模型
利用人工神经网络建立模型的步骤人工神经网络有很多种,我只会最常用的BP神经网络.不同的网络有不同的结构和不同的学习算法.简单点说,人工神经网络就是一个函数.只是这个函数有别于一般的函数.它比普通的函 ...
Python人脸微笑识别2-----Ubuntu16.04基于Tensorflow卷积神经网络模型训练的Python3+Dlib+Opencv实现摄像头人脸微笑检测
Python人脸微笑识别2--卷积神经网络进行模型训练目录一.微笑数据集下载 1.微笑数据集下载 2.创建人脸微笑识别项目 3.数据集上传至Ubuntu人脸微笑识别项目文件夹二.Python代码实 ...
基于tensorflow的MNIST手写字识别（一）--白话卷积神经网络模型
一.卷积神经网络模型知识要点卷积卷积 1.卷积 2.池化 3.全连接 4.梯度下降法 5.softmax 本次就是用最简单的方法给大家讲解这些概念,因为具体的各种论文网上都有,连推导都有,所以本文主要 ...
在Android上将ONNX神经网络模型与TensorFlow Lite结合使用
目录下一步在这里,我们从预先训练的模型中制作TensorFlow Lite模型. 这是有关在Android上使用TensorFlow Lite的系列文章中的第二篇.在上一节中,设置了开发环境以使用 ...
TensorFlow精进之路（三）：两层卷积神经网络模型将MNIST未识别对的图片筛选出来
1.概述自从开了专栏<TensorFlow精进之路>关于对TensorFlow的整理思路更加清晰.上两篇讲到Softmax回归模型和两层卷积神经网络模型训练MNIST,虽然使用神经网络能 ...
Tensorflow实现简单的手写数字神经网络模型
1.全连接层直接实现手写数字神经网络 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_dat ...
Tensorflow中基本概念及神经网络模型的介绍
这篇文章主要介绍TF中张量,图,变量,会话以及神经网络模型. 张量(tensor) Tensor可以说是Tensor flow中最重要的概念之一,毕竟Tensor flow翻译过来就是张量流. 张量是 ...
Tensorflow深度学习实战之(七)--MP神经元与BP神经网络模型
本文是在GPU版本的Tensorflow = 2.6.2 , 英伟达显卡驱动CUDA版本 =11.6,Python版本 = 3.6, 显卡为3060的环境下进行验证实验的!!! 文章目录一.M-P神 ...

Tensorflow 神经网络模型架构

Tensorflow 神经网络模型架构

Tensorflow 神经网络模型架构

神经网络模型

Tensorflow 神经网络模型架构相关推荐

最新文章

热门文章