用Mnist資料集訓練神經網路

這篇部落格是我在學習用tensorflow搭建神經網路時，所作的一些筆記。搭建的神經網路有兩層隱藏層，和輸入輸出層。採用全連線的方式進行傳輸，優化演算法採用自適用矩估計演算法。

1.首先，匯入tensorflow官方提供的庫

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data", one_hot=true)

x = tf.placeholder(tf.float32,[none,784],name='x_input')

y_ = tf.placeholder(tf.float32,[none,10],name='y_input')

3.定義引數

def weight_variable(shape):

initial = tf.truncated_normal(shape, stddev=0.1)
return tf.variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.variable(initial)

4.運算

#第一層

net = tf.nn.relu(tf.matmul(x,w1)+b1)
#net = tf.nn.dropout(net,0.25)
#第二層
net = tf.matmul(net,w2)+b2
y = tf.nn.softmax(net)

5.損失函式和優化演算法

loss = -tf.reduce_mean(tf.reduce_sum(y_*tf.log(y)))

optim = tf.train.adamoptimizer(0.001).minimize(loss)

with tf.session() as sess:

tf.global_variables_initializer().run()
for i in range(10000):           
xs,ys = mnist.train.next_batch(batch_size)
_,l,accu=sess.run([optim,loss,accuracy],feed_dict=)
if(i%100==0):
print('after %d times,the loss is %g'%(i,l))
print('the modle accuracy is %g '%(accu))

這個**量和理解並不難，主要用於練手，提高對tensorflow的掌握，熟悉tensorflow的函式。

附上**

# -*- coding: utf-8 -*-

"""created on tue sep  3 16:09:17 2019
@author: asus
"""import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
batch_size =100
mnist = input_data.read_data_sets("mnist_data", one_hot=true)
x = tf.placeholder(tf.float32,[none,784],name='x_input')
y_ = tf.placeholder(tf.float32,[none,10],name='y_input')
w1 = tf.get_variable('w1',shape=[784,300],initializer=tf.truncated_normal_initializer(stddev=0.1))
b1 = tf.variable(tf.zeros([300]))
w2 = tf.get_variable('w2',shape=[300,10],initializer=tf.truncated_normal_initializer(stddev=0.1))
b2 = tf.variable(tf.zeros([10]))
net = tf.nn.relu(tf.matmul(x,w1)+b1)
#net = tf.nn.dropout(net,0.25)
net = tf.matmul(net,w2)+b2
y = tf.nn.softmax(net)
loss = -tf.reduce_mean(tf.reduce_sum(y_*tf.log(y)))
optim = tf.train.adamoptimizer(0.001).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
def train():
with tf.session() as sess:
tf.global_variables_initializer().run()
for i in range(10000):           
xs,ys = mnist.train.next_batch(batch_size)
_,l,accu=sess.run([optim,loss,accuracy],feed_dict=)
if(i%100==0):
print('after %d times,the loss is %g'%(i,l))
print('the modle accuracy is %g '%(accu))
def main(ar**=none):
train()
if __name__ == '__main__':

用Kersa搭建神經網路 MNIST手寫資料集

nist手寫資料集的識別算得上是深度學習的 hello world 了，所以想要入門必須得掌握。新手入門可以考慮使用keras框架達到快速實現的目的。完整 如下 1.導入庫和模組 from keras.models import sequential from keras.layers import...

TensorFlow 神經網路MNIST手寫識別

專案稍有停歇，終於有時間來玩一下tensorflow和dl了。看了官網入門教程就先來說說神經網路吧。神經網路其實是一種演算法，能夠提供給我們一種複雜的非線性模型hw,b x 並以此來擬合我們的資料。又因為它的構造和處理資訊的模式有點像人類，這讓神經網路更顯得神奇。神經網路中的引數weight和bia...

神經網路訓練

學習了bp神經網路演算法，剛開始最終要的一點不明白的就是前一層和後一層 這裡指的只有三層，輸入層，隱藏層，輸出層 的權重，其實神經網路演算法中，前一層的每乙個節點和後一層的每乙個節點都有連線權重，初始權重是隨機的。而更新權重是通過輸出層的值來反向更新的。基本過程如下 1.輸入第乙個訓練樣本 對應的就...