深度学习:Demo1-MNIST
来源:互联网 发布:自动化行业用单片机吗 编辑:程序博客网 时间:2024/05/29 17:23
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#loading datamnist = input_data.read_data_sets("MNIST_data",one_hot=True) #路径 / one hot vector#every batch size batch_size = 100#calculate the sum of batchesn_batch = mnist.train.num_examples // batch_size#define placeholderx = tf.placeholder(tf.float32,[None,784])y = tf.placeholder(tf.float32,[None,10]) #拉伸成为一个数组#construct the neural network 没有隐藏层weight = tf.Variable(tf.zeros([784,10]))bias = tf.Variable(tf.zeros([10]))prediction = tf.nn.softmax(tf.matmul(x,weight)+bias)#define loss functionloss = tf.reduce_mean(tf.square(y-prediction))train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)#initializationinit = tf.global_variables_initializer()#布尔型列表中 放置 对比结果correct_predition = tf.equal(tf.arg_max(y,1),tf.arg_max(prediction,1)) #argmax 返回张量中最大的值所在的位置#accuracyaccuracy = tf.reduce_mean(tf.cast(correct_predition,tf.float32)) #格式转换 从 布尔 变成 floatwith tf.Session() as sess: sess.run(init) for e in range(21): for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter"+str(e)+",Testing Accuracy"+str(acc))#可优化的地方:#批次 的 大小 #添加隐藏层 改变激活函数#权值与偏执址的初始化改变#loss函数改用交叉熵cross-entrpy#学习率改变#使用其他的优化方式#训练次数
阅读全文
0 0
- 深度学习:Demo1-MNIST
- 【深度学习】Tensorflow学习笔记--MNIST
- TensorFlow教程05:MNIST深度学习初探
- 深度学习库Theano导入mnist数据库
- 深度学习笔记四:MNIST实战
- 深度学习4--mnist运行测试
- 深度学习数据集——MNIST
- TensorFlow教程05:MNIST深度学习初探
- 智障自学深度学习系列-1 MNIST
- caffe深度学习:mnist手写体的识别
- shell 学习 demo1
- zepto--学习demo1
- 深度学习框架Caffe学习笔记(3)-MNIST例程深入
- 深度学习框架TensorFlow学习(二)----简单实现Mnist
- 深度学习笔记二基于tensorflow的MNIST学习
- Keras 深度学习框架Python Example:CNN/mnist
- 深度学习- 用Torch实现MNIST手写数字识别
- 基于深度学习框架Keras的CNN分类Mnist
- csdn上看到的一篇关于vue-cli的webpack模板项目配置文件分析
- 指定脚本解释器
- Maven下载项目依赖jar包和使用方法
- 剑指offer 之 输出链表的倒数第K个结点
- 打桩?——怎么用?
- 深度学习:Demo1-MNIST
- Tomcat目录结构含义
- 定位底部的输入框被软键盘覆盖解决方案
- Java 的版本历史与特性
- 重建二叉树
- 学习网站
- win10 java jdk环境变量 配置
- Linux打印time_t的方法
- 约瑟夫环实现算法