多层感知机模型在mnist上的例子
来源:互联网 发布:统计学博士 知乎 编辑:程序博客网 时间:2024/05/20 14:22
前面实现了单向LSTM和双向LSTM模型,基于tensorflow实现了双隐含层的感知机模型:
#!/usr/bin/env python# -*- coding: utf-8 -*-# created by fhqplzj on 2017/06/20 下午2:56from __future__ import print_functionimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('/Users/fhqplzj/github/TensorFlow-Examples/examples/3_NeuralNetworks/data', one_hot=True)learning_rate = 0.001training_epoches = 15batch_size = 100display_step = 1n_hidden_1 = 256n_hidden_2 = 256n_input = 784n_classes = 10x = tf.placeholder(tf.float32, [None, n_input])y = tf.placeholder(tf.float32, [None, n_classes])def multilayer_perceptron(x, weights, biases): layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1']) layer_1 = tf.nn.relu(layer_1) layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2']) layer_2 = tf.nn.relu(layer_2) output_layer = tf.matmul(layer_2, weights['out']) + biases['out'] return output_layerweights = { 'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), 'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))}biases = { 'b1': tf.Variable(tf.random_normal([n_hidden_1])), 'b2': tf.Variable(tf.random_normal([n_hidden_2])), 'out': tf.Variable(tf.random_normal([n_classes]))}pred = multilayer_perceptron(x, weights, biases)cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init) for epoch in range(training_epoches): avg_cost = 0.0 total_batch = mnist.train.num_examples // batch_size for i in range(total_batch): batch_x, batch_y = mnist.train.next_batch(batch_size) _, c = sess.run([optimizer, cost], feed_dict={ x: batch_x, y: batch_y }) avg_cost += c / total_batch if epoch % display_step == 0: print('epoch:{:04d}\tcost:{:.9f}'.format(epoch + 1, avg_cost)) correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print('accuracy={:.9f}'.format(accuracy.eval({ x: mnist.test.images, y: mnist.test.labels })))
阅读全文
0 0
- 多层感知机模型在mnist上的例子
- Deeplearning4j 实战(5):基于多层感知机的Mnist压缩以及在Spark实现
- 基于tensortflow的多层感知机模型
- tensorflow 多层感知机 分类mnist
- TensorFlow上实现MLP多层感知机模型
- 深度学习Deeplearning4j 入门实战(5):基于多层感知机的Mnist压缩以及在Spark实现
- mxnet多层感知机训练MNIST数据集详解【转】
- 多层感知机实现mnist手写数字识别
- 多层感知器模型(MLP)
- Keras 多层感知机 多类别的 softmax 分类模型代码
- tensorflow实战之三:MNIST手写数字识别的优化2-多层感知器
- 基于TensorFlow的多层感知机
- 【机器学习】多层感知机的理解
- TensorFlow学习笔记(4)--实现多层感知机(MNIST数据集)
- CNTK API文档翻译(6)——对MNIST数据使用多层感知机
- 神经网络_多层感知机MLP_以mnist为例(tensorflow和keras实现)
- C++徒手撸多层感知机(MLP)训练MNIST数据集
- MLP多层感知机
- js对象和 json的区别
- Python 模块与包
- 415 Unsupported Media Type 原因:json 提交form表单 解决:去掉方法里对象前面的@ResponseBody
- Android7.0中文文档(API)-- PopupWindow
- java 去除括号里的内容
- 多层感知机模型在mnist上的例子
- 微信开发报错:config:invalid url domain
- Memcached-服务端安装
- flex弹性伸缩布局笔记
- altium 不规则焊盘 创建异形焊盘方法
- 用Glide-图片的压缩-图片压缩原理
- iOS谓词的使用 (NSPredicate)
- 复选框联动效果以及全选非全选,反选
- EF_Helper