TensorFlow——MNIST手寫數字識別
阿新 • • 發佈:2018-12-30
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #載入資料集 mnist=input_data.read_data_sets('MNIST_data',one_hot=True) #設定每個批次的大小 batch_size=100 #計算一共有多少個批次 n_batch=mnist.train.num_examples//batch_size #定義三個placeholder x=tf.placeholder(tf.float32,[None,784]) y=tf.placeholder(tf.float32,[None,10]) keep_prob=tf.placeholder(tf.float32) #存放百分率 #建立一個多層神經網路模型 #第一個隱藏層 W1=tf.Variable(tf.truncated_normal([784,2000],stddev=0.1)) b1=tf.Variable(tf.zeros([2000])+0.1) L1=tf.nn.tanh(tf.matmul(x,W1)+b1) L1_drop=tf.nn.dropout(L1,keep_prob) #keep_prob設定工作狀態神經元的百分率 #第二個隱藏層 W2=tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1)) b2=tf.Variable(tf.zeros([2000])+0.1) L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2) L2_drop=tf.nn.dropout(L2,keep_prob) #第三個隱藏層 W3=tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1)) b3=tf.Variable(tf.zeros([1000])+0.1) L3=tf.nn.tanh(tf.matmul(L2_drop,W3)+b3) L3_drop=tf.nn.dropout(L3,keep_prob) #輸出層 W4=tf.Variable(tf.truncated_normal([1000,10],stddev=0.1)) b4=tf.Variable(tf.zeros([10])+0.1) prediction=tf.nn.softmax(tf.matmul(L3_drop,W4)+b4) #定義交叉熵代價函式 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #定義反向傳播演算法(使用梯度下降演算法) train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #結果存放在一個布林型列表中(argmax函式返回一維張量中最大的值所在的位置) correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #求準確率(tf.cast將布林值轉換為float型) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #建立會話 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) #初始化變數 #訓練次數 for i in range(21): for batch in range(n_batch): batch_xs,batch_ys=mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0}) #測試資料計算出的準確率 test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0}) print("Iter"+str(i)+",Testing Accuracy"+str(test_acc))