TF之DNN：利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程

输出结果

案例理解DNN过程思路

代码设计

输出结果

案例理解DNN过程思路

1、一张图像数组形状的变化：输入一个由784 个元素(28*28的二维数组)构成的一维数组后，输出一个有10个元素的一维数组。这是只输入一张图像数据时的处理流程。

2、批处理中数组形状的变化：考虑打包输入多张图像的情形。比如，我们想用predict()函数一次性打包处理100张图像。为此，可以把x的形状改为100 × 784，将100 张图像打包作为输入数据。，输入数据的形状为100 × 784，输出数据的形状为
100 × 10。这表示输入的100 张图像的结果被一次性输出了。比如，x[0]和y[0]中保存了第0 张图像及其推理结果，x[1]和y[1]中保存了第1 张图像及其推理结果，等等。这种打包式的输入数据称为批（batch）。批有“捆”的意思，图像就如同纸币一样扎成一捆。

代码设计

# -*- coding: utf-8 -*-#实现的神经网络共有三层，输入层有 784 个神经元，隐藏层与输出层分别有 500 和 10 个神经元。这所以这样设计是因为 MNIST 的像素为 28×28=784，所以每一个输入神经元对应于一个灰度像素点。批量大小为 100并使用学习率衰减的情况下迭代 10000 步能得到 98.34% 的测试集准确度，
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data#加载MNIST数据集
mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True)
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500
BATCH_SIZE = 100# 模型相关的参数
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.0001
TRAINING_STEPS = 10000
MOVING_AVERAGE_DECAY = 0.99def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
# 使用滑动平均类if avg_class == None:layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)return tf.matmul(layer1, weights2) + biases2else:layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))return tf.matmul(layer1, avg_class.average(weights2)) + avg_class.average(biases2)
def train(mnist):x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')   # 生成隐藏层的参数。weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))# 生成输出层的参数。weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))# 计算不含滑动平均类的前向传播结果y = inference(x, None, weights1, biases1, weights2, biases2) # 定义训练轮数及相关的滑动平均类 global_step = tf.Variable(0, trainable=False)variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)variables_averages_op = variable_averages.apply(tf.trainable_variables())average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)# 计算交叉熵及其平均值cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))cross_entropy_mean = tf.reduce_mean(cross_entropy)# 定义交叉熵损失函数加上正则项为模型损失函数regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)regularaztion = regularizer(weights1) + regularizer(weights2)loss = cross_entropy_mean + regularaztion# 设置指数衰减的学习率。learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,mnist.train.num_examples / BATCH_SIZE,LEARNING_RATE_DECAY,staircase=True)# 随机梯度下降优化器优化损失函数,使用梯度下降优化器来优化权重。然而，TensorFlow 中还有很多优化器，最常用的是 GradientDescentOptimizer、AdamOptimizer 和 AdaGradOptimizer。train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)# 反向传播更新参数和更新每一个参数的滑动平均值with tf.control_dependencies([train_step, variables_averages_op]):train_op = tf.no_op(name='train')# 计算准确度correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 初始化会话并开始训练过程。with tf.Session() as sess:tf.global_variables_initializer().run()validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}test_feed = {x: mnist.test.images, y_: mnist.test.labels} # 循环地训练神经网络。for i in range(TRAINING_STEPS):if i % 1000 == 0:validate_acc = sess.run(accuracy, feed_dict=validate_feed)print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))xs,ys=mnist.train.next_batch(BATCH_SIZE)sess.run(train_op,feed_dict={x:xs,y_:ys})test_acc=sess.run(accuracy,feed_dict=test_feed)print(("After %d training step(s), test accuracy using average model is %g" %(TRAINING_STEPS, test_acc)))avg_class = None
train(mnist)

相关文章
TF之NN：(TF自带函数下载MNIST55000训练集图片)实现手写数字识别87.4%准确率识别：SGD法+softmax法+cross_entropy法
TF之DNN：(TF自带函数下载MNIST55000训练集图片)利用 784 个神经元的三层全连接的DNN对MNIST手写数字识别实现98%准确率