# coding: utf-8
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)
# 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
# 定義兩個placeholder
x = tf.placeholder(tf.float32, [none, 784])
y = tf.placeholder(tf.float32, [none, 10])
keep_prob = tf.placeholder(tf.float32)
lr = tf.variable(0.001, dtype=tf.float32)
# 建立乙個簡單的神經網路
w1 = tf.variable(tf.truncated_normal([784, 500], stddev=0.1))
b1 = tf.variable(tf.zeros([500]) + 0.1)
l1 = tf.nn.tanh(tf.matmul(x, w1) + b1)
l1_drop = tf.nn.dropout(l1, keep_prob)
w2 = tf.variable(tf.truncated_normal([500, 300], stddev=0.1))
b2 = tf.variable(tf.zeros([300]) + 0.1)
l2 = tf.nn.tanh(tf.matmul(l1_drop, w2) + b2)
l2_drop = tf.nn.dropout(l2, keep_prob)
w3 = tf.variable(tf.truncated_normal([300, 10], stddev=0.1))
b3 = tf.variable(tf.zeros([10]) + 0.1)
prediction = tf.nn.softmax(tf.matmul(l2_drop, w3) + b3)
# 交叉熵代價函式
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 訓練
train_step = tf.train.adamoptimizer(lr).minimize(loss)
# 初始化變數
init = tf.global_variables_initializer()
# 結果存放在乙個布林型列表中
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) # argmax返回一維張量中最大的值所在的位置
# 求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
with tf.session() as sess:
sess.run(init)
for epoch in range(51):
sess.run(tf.assign(lr, 0.001 * (0.95 ** epoch)))
for batch in range(n_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict=)
learning_rate = sess.run(lr)
acc = sess.run(accuracy, feed_dict=)
print("iter " + str(epoch) + ", testing accuracy= " + str(acc) + ", learning rate= " + str(learning_rate))
tensorFlow識別手寫數字
這些天一直疲於奔波，感慨頗多。一直在思考發展方向的問題，可能自己有點技術控。很多人都覺得讀書多就應該賺錢多，讀書的最終目的就是賺錢麼。當然讀書不可能完全脫離煙火，但我個人覺得讀書的目的不是賺錢，賺錢只是附帶產品。像什麼某某沒讀什麼書，就可以賺很多錢的例子，簡直就是屁話。有誰說過讀書的作用就是賺錢。學...
tensorflow實現手寫數字識別（MLP）
from future importprint function 即使是在python2版本也要像在python3中使用print函式 fromtensorflow.examples.tutorials.mnistimportinput data mnist input data.read data...
tensorflow 之手寫體識別
原因 由於tensorflow相對於caffe更加靈活，準備轉戰tensorflow，昨天看了下大概的基本函式，今天打算先跑跑簡單的例子 tensorflow的安裝太簡單了，一行 搞定，網上很多教程，不一一列出。想安裝固定tensorflow版本 pip install tensorflow gpu...