《TensorFlow实例一 MINIST手写字体识别》

Ubuntu python3 TensorFlow实例：使用RNN算法实现对MINST-data数字集识别，最终识别准确率达96.875%

PS：小白一个，初级阶段，从调试到实现，step by step.

由于没能及时保留原著作者文章来源，对此深表歉意！！！

附录作者GitHub链接，以示尊重。

aymericdamien/TensorFlow-Examples: TensorFlow Tutorial and Examples for Beginners with Latest APIs https://github.com/aymericdamien/TensorFlow-Examples

python文件列表：

2:RNN.py

3:tensorboard.py

数据集：MNIST_data

实现过程：

RNN.py

"""
This code is a modified version of the code from this link:
https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/recurrent_network.py
His code is a very good one for RNN beginners. Feel free to check it out.
"""
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data# set random seed for comparing the two result calculations
tf.set_random_seed(1)# this is data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)# hyperparameters
lr = 0.001      #learning rate
training_iters = 100000
batch_size = 128n_inputs = 28   # MNIST data input (img shape: 28*28)
n_steps = 28    # time steps
n_hidden_units = 128   # neurons in hidden layer
n_classes = 10      # MNIST classes (0-9 digits)# tf Graph input
x = tf.placeholder(tf.float32, [None, n_steps, n_inputs])
y = tf.placeholder(tf.float32, [None, n_classes])# Define weights
weights = {# (28, 128)'in': tf.Variable(tf.random_normal([n_inputs, n_hidden_units])),# (128, 10)'out': tf.Variable(tf.random_normal([n_hidden_units, n_classes]))
}
biases = {# (128, )'in': tf.Variable(tf.constant(0.1, shape=[n_hidden_units, ])),# (10, )'out': tf.Variable(tf.constant(0.1, shape=[n_classes, ]))
}def RNN(X, weights, biases):# hidden layer for input to cell######################################### transpose the inputs shape from# X ==> (128 batch * 28 steps, 28 inputs)X = tf.reshape(X, [-1, n_inputs])# into hidden# X_in = (128 batch * 28 steps, 128 hidden)X_in = tf.matmul(X, weights['in']) + biases['in']# X_in ==> (128 batch, 28 steps, 128 hidden)X_in = tf.reshape(X_in, [-1, n_steps, n_hidden_units])# cell########################################### basic LSTM Cell.if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units, forget_bias=1.0, state_is_tuple=True)else:cell = tf.contrib.rnn.BasicLSTMCell(n_hidden_units)# lstm cell is divided into two parts (c_state, h_state)init_state = cell.zero_state(batch_size, dtype=tf.float32)# You have 2 options for following step.# 1: tf.nn.rnn(cell, inputs);# 2: tf.nn.dynamic_rnn(cell, inputs).# If use option 1, you have to modified the shape of X_in, go and check out this:# https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/recurrent_network.py# In here, we go for option 2.# dynamic_rnn receive Tensor (batch, steps, inputs) or (steps, batch, inputs) as X_in.# Make sure the time_major is changed accordingly.outputs, final_state = tf.nn.dynamic_rnn(cell, X_in, initial_state=init_state, time_major=False)# hidden layer for output as the final results############################################## results = tf.matmul(final_state[1], weights['out']) + biases['out']# # or# unpack to list [(batch, outputs)..] * stepsif int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:outputs = tf.unpack(tf.transpose(outputs, [1, 0, 2]))    # states is the last outputselse:outputs = tf.unstack(tf.transpose(outputs, [1,0,2]))results = tf.matmul(outputs[-1], weights['out']) + biases['out']    # shape = (128, 10)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))with tf.Session() as sess:# tf.initialize_all_variables() no long valid from# 2017-03-02 if using tensorflow >= 0.12if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:init = tf.initialize_all_variables()else:init = tf.global_variables_initializer()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

Ubuntu下终端输入：

tensorboard --logdir logs

卷积与训练过程效果展示：

《TensorFlow实例一 MINIST手写字体识别》相关推荐

ComeFuture英伽学院——2020年全国大学生英语竞赛【C类初赛真题解析】(持续更新)
视频:ComeFuture英伽学院--2019年全国大学生英语竞赛[C类初赛真题解析]大小作文--详细解析课件:[课件]2019年大学生英语竞赛C类初赛.pdf 视频:2020年全国大学生英语竞赛 ...
ComeFuture英伽学院——2019年全国大学生英语竞赛【C类初赛真题解析】大小作文——详细解析
视频:ComeFuture英伽学院--2019年全国大学生英语竞赛[C类初赛真题解析]大小作文--详细解析课件:[课件]2019年大学生英语竞赛C类初赛.pdf 视频:2020年全国大学生英语竞赛 ...
信息学奥赛真题解析（玩具谜题）
玩具谜题(2016年信息学奥赛提高组真题) 题目描述小南有一套可爱的玩具小人, 它们各有不同的职业.有一天, 这些玩具小人把小南的眼镜藏了起来.小南发现玩具小人们围成了一个圈,它们有的面朝圈内,有的 ...
信息学奥赛之初赛第1轮讲解（01-08课）
信息学奥赛之初赛讲解 01 计算机概述系统基本结构信息学奥赛之初赛讲解 01 计算机概述系统基本结构_哔哩哔哩_bilibili 信息学奥赛之初赛讲解 02 软件系统计算机语言进制转换信息 ...
信息学奥赛一本通习题答案（五）
最近在给小学生做C++的入门培训,用的教程是信息学奥赛一本通,刷题网址 http://ybt.ssoier.cn:8088/index.php 现将部分习题的答案放在博客上,希望能给其他有需要的人带来 ...
信息学奥赛一本通习题答案（三）
最近在给小学生做C++的入门培训,用的教程是信息学奥赛一本通,刷题网址 http://ybt.ssoier.cn:8088/index.php 现将部分习题的答案放在博客上,希望能给其他有需要的人带来 ...
信息学奥赛一本通提高篇第六部分数学基础相关的真题
第1章快速幂 1875:[13NOIP提高组]转圈游戏信息学奥赛一本通(C++版)在线评测系统第2 章素数第 3 章约数第 4 章同余问题第 5 章矩阵乘法第 6 章 ...
信息学奥赛一本通题目代码（非题库）
为了完善自己学c++,很多人都去读相关文献,就比如<信息学奥赛一本通>,可又对题目无从下手,从今天开始,我将把书上的题目一一的解析下来,可以做参考,如果有错,可以告诉我,将在下次解析里重 ...
信息学奥赛一本通（C++版）刷题记录
总目录详见:https://blog.csdn.net/mrcrack/article/details/86501716 信息学奥赛一本通(C++版) 刷题记录 http://ybt.ssoier. ...
最近公共祖先三种算法详解 + 模板题建议新手收藏例题：信息学奥赛一本通祖孙询问距离
首先什么是最近公共祖先?? 如图:红色节点的祖先为红色的1, 2, 3. 绿色节点的祖先为绿色的1, 2, 3, 4. 他们的最近公共祖先即他们最先相交的地方,如在上图中黄色的点就是他们的最近公共祖先 ...

《TensorFlow实例一 MINIST手写字体识别》

《TensorFlow实例一 MINIST手写字体识别》相关推荐

最新文章

热门文章