TensorFlow入門例程 mnist手寫資料集

2021-08-30 15:31:17 字數 1693 閱讀 4490

使用tensorflow訓練模型,大概分為以下幾個步驟:

定義變數並初始化,宣告用到的佔位符

建立模型

訓練模型,首先需要定義乙個指標來評估這個模型的好壞。在本教程中使用交叉熵來表徵模型的效能好壞。

使用一些優化演算法(如梯度下降法)來最小化目標函式(交叉熵)

評估模型,判斷**值和真實值之間的差值。得到**的準確率

具體的注釋在程式中都能看到

程式如下:

import tensorflow as tf

# 匯入mnist資料集

import input_data

mnist = input_data.read_data_sets("mnist_data/", one_hot=true)

# x不是乙個特定的值,而是乙個佔位符,在tensorflow執行計算時輸入這個值,在sess.run()中更新此值

x = tf.placeholder("float", [none, 784])

# w和b是變數,並初始化為0,

# 因為我們要學習w和b的值,它們的初始值可以隨意設定

w = tf.variable(tf.zeros([784, 10]))

b = tf.variable(tf.zeros([10]))

# 建立模型,利用softmax函式生成模型

y = tf.nn.softmax(tf.matmul(x, w) + b)

# 訓練模型

# 我們首先需要定義乙個指標來評估這個模型是好的,在這裡使用交叉熵cross_entropy

# 為了計算交叉熵,我們首先定義乙個新的佔位符y_用於輸入正確值

y_ = tf.placeholder("float", [none, 10]) # 同變數x,

cross_entropy = -tf.reduce_mean(y_*tf.log(y))

# 使用梯度下降演算法以0.01的學習速率最小化交叉熵

train_step = tf.train.gradientdescentoptimizer(0.01).minimize(cross_entropy)

# 初始化我們建立的所有變數

init = tf.initialize_all_variables()

# 在乙個session中啟動我們的模型

# 讓模型迴圈訓練1000次

# 該迴圈的每個步驟中,我們都會隨機抓取訓練資料中的100個批處理資料點

sess = tf.session()

sess.run(init)

for i in range(1000):

batch_xs, batch_ys = mnist.train.next_batch(100)

sess.run(train_step, feed_dict=)

# 評估模型

# tf.argmax能給出某個tensor物件在某一維上的其資料最大值所在的索引值

# 用tf.equal來檢測我們的**是否和真實標籤匹配

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print(sess.run(accuracy, feed_dict=))

tensorflow 樣例程式

import tensorflow as tf from numpy.random import randomstate 定義訓練資料batch的大小 batch size 8 定義神經網路的引數 w1 tf.variable tf.random normal 2,3 stddev 1,seed 1...

Twisted python 入門例程

from twisted.internet import protocol,reactor class echo protocol.protocol def datareceived self,data self.transport.write data class echofactory prot...

3 1非線性回歸(TensorFlow例程)

非線性回歸的tensorflow例程 本例程程式設計思想 產生隨機數x data,構造y x 2 雜訊的分布,相當於已知輸入x data和輸出y data。利用輸入x data和輸出y data,利用梯度下降法,使樣本值和 值之間的損失函式 loss 最小,訓練出相應的模型 得到訓練後的模型,然後再...