LSTM最基本的應用（07 3）

**實現

#

-*- 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)
#輸入的是28*28
n_inputs=28 #
輸入一行，一行有28個資料
max_time=28 #
一共28行
lstm_size=100 #
隱層單元
n_classes=10 #
10個分類
batch_size=50 #
每批次50個樣本
n_batch=mnist.train.num_examples // batch_size #
計算一共有多少批次
#這裡的none表示第一維度可以是任意的長度
x=tf.placeholder(tf.float32,[none,784])
#正確的標籤
y=tf.placeholder(tf.float32,[none,10])
#初始化權值
weights=tf.variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
#初始化偏執值
biases=tf.variable(tf.constant(0.1,shape=[n_classes]))
#定義rnn網路
defrnn(x,weight,biases):
#inputs=[batch_size,max_time,n_inputs]
inputs=tf.reshape(x,[-1,max_time,n_inputs])
#定義lstm基本cell
lstm_cell=tf.contrib.rnn.basiclstmcell(lstm_size)
#final_state[0]是cell state
#final_state[1]是hidden_state
outputs,final_state=tf.nn.dynamic_rnn(lstm_cell, inputs,dtype=tf.float32)
results=tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)#
最後神經網路的輸出
return
results
#計算rnn的返回結果
prediction=rnn(x, weights, biases)
#損失函式
cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))
#使用adamoptimizer進行優化
trian_step=tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
#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
accuarcy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #
把correct_prediction變為float32型別
#初始化
init=tf.global_variables_initializer()
with tf.session() as sess:
sess.run(init)
for epoch in range(6):
for batch in
range(n_batch):
batch_xs,batch_ys=mnist.train.next_batch(batch_size)
sess.run(trian_step, feed_dict=)
acc=sess.run(accuarcy, feed_dict=)
print ("
iter 
"+str(epoch)+"
, testing accuarcy= 
" + str(acc))

最基本的委託

有些教材，部落格說到委託都會提到事件，雖然事件是委託的乙個例項，但是為了理解起來更簡單，今天只談委託不談事件。先上一段 下邊的 完成了乙個委託應用的演示。乙個委託分三個步驟 public partial class webform3 system.web.ui.page step02 宣告乙個方法來...

最基本的操作

關於目錄的獲取 獲取沙盒目錄 算是跟目錄吧 nshomedirectory 獲取document目錄 常用 let paths nssearchpathfordirectoriesindomains documentdirectory,userdomainmask,true first 或者 fil...

GCC最基本的用法

在使用gcc編譯器的時候，我們必須給出一系列必要的呼叫引數和檔名稱。gcc編譯器的呼叫引數大約有100多個，其中多數引數我們可能根本就用不到，這裡只介紹其中最基本 最常用的引數。下面是man gcc的結果 gcc c s e std standard g pg olevel wwarn.pedant...