菜鸟角度的mnist_softmax代码详解
来源:互联网 发布:淘宝拒签后怎么退款 编辑:程序博客网 时间:2024/06/16 22:06
mnist_softmax代码详解
文章是我分析该代码的记录,修改了一点点代码
- 尝试两种初始化权重以及偏置的方式(发觉对模型准确度无提升)
- 使用指数学习率:train.exponential_decay
- 增加了一层for循环,每训练100次打印一下准确度
- 尝试增加一层隐藏层(准确度提升)
继续增加模型复杂度,看一看过拟合的情况。再用Dropout减少过拟合看看结果
首先给出该教程的官网页面与中文翻译之后的页面(建议两者结合起来看)
官网(需要梯子)
中文翻译(非极客)
正文:
- 导入的内容:
from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport argparseimport sysfrom tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tf
这里假设你已经下载了数据集,如果没有,应该先执行:
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)
下载数据集,下载之后的文件夹为MNIST_data,共4个压缩包 *read_data_sets方法在 tensorflow.contrib.learn.python.learn.datasets.mnist中
我们将标签称为“one-hot vectors”。一个one-hot是一个大多数维 度上为0,一个维度上为1的向量。
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
- x_: 是我们接下来在会话(session)中会feed的图像数据(batch_xs)。设置为浮点型,[None,784]中:
None表示我们可以输入任意数量的Minist的图像;784指的是每一张图展平成784维的向量——28×28 = 784
W是权重矩阵,因为共有10种分类,所以是784x10的矩阵;b是偏置;y是x_与W的矩阵之积, 也就是当前在权重和偏置之下所计算出来的得分(之后会由softmax转化关于10个数字类的概率分布)
y_是之后要feed的标签数据
x_ = tf.placeholder(tf.float32, [None, 784]) # y_与y的关系:y(在softmax_cross_entropy_with_logits方法中会自动用softmax计算)和y_(真实标签) # 必须具有相同的[batch_size,num_classes]和相同的dtype(float32或float64)。 y_ = tf.placeholder(tf.float32, [None, 10])
- 1.尝试用0初始化(跳过2 3 的代码)
W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.matmul(x_, W) + b
- 2.尝试非0初始化,但是没有起到增加准确度的作用(跳过1 3 的代码)
W = tf.Variable(tf.truncated_normal([784,10],stddev=0.1)) b = tf.Variable(tf.zeros([10])+0.1) y = tf.matmul(x_, W) + b
- 3.增加一隐藏层,并增加神经元个数(跳过1 2 的代码)
W1 = tf.Variable(tf.truncated_normal([784,1000],stddev=0.1)) b1 = tf.Variable(tf.zeros([1000])+0.1) L1 = tf.nn.tanh(tf.matmul(x_,W1)+b1) W2 = tf.Variable(tf.truncated_normal([1000,10],stddev=0.1)) b2 = tf.Variable(tf.zeros([10])+0.1) y = tf.matmul(L1, W2) + b2
cross_entropy = tf.reduce_mean( ''' 对下面的函数的理解:这个函数的作用就是计算softmax层的交叉熵,只不过tensorflow把 softmax计算与交叉熵计算放到一起了,用一个函数来实现,以前的方法can be numerically unstable 具体的解释看下文末尾:http://blog.csdn.net/behamcheung/article/details/71911133''' tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) # 设置学习率——1:直接设置 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 设置学习率——2:使用指数学习率 global_step = tf.Variable(0, trainable=False) starter_learning_rate = 0.5 learning_rate = tf.train.exponential_decay(starter_learning_rate, global_step, 100000, 0.97)
- 优化器Optimizer(大家还可以尝试更多的优化器,比如:
AdadeltaOptimizer比较快,但是相同迭代次数准确度不一定比随机梯度高)
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy,global_step=global_step) sess = tf.InteractiveSession() # 初始化W和b tf.global_variables_initializer().run() # Train for times in range(20): # python3.x 中取消了xrange();print也必须加括号:print() for _ in range(100): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x_: batch_xs, y_: batch_ys}) # Test trained model correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #这里我将train数据集也带进去了,如果两次的准确率变化情况差距很小很小,说明模型没有出现过拟合以及欠拟合 print("Iter :"+str(times)+"- 训练集准确度为:",sess.run(accuracy, feed_dict={x_: mnist.train.images,y_: mnist.train.labels})) print("Iter :"+str(times)+"- 测试集准确度为:",sess.run(accuracy, feed_dict={x_: mnist.test.images,y_: mnist.test.labels}))
- 测试模型
# argmax(input, axis=None, name=None, dimension=None)axis:0表示按列,1表示按行。返回最大值的下标 # equal操作返回一个布尔值列表。这里是[True, False, True, True....]的转置 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # tf.cast(x, dtype, name=None):将x转换为dtype,便于计算概率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #这里我将train数据集也带进去了,如果两次的准确率变化情况差距很小,说明模型没有出现过拟合以及欠拟合 print("训练 :"+str(times)+"- 准确度为:",sess.run(accuracy, feed_dict={x_: mnist.train.images,y_: mnist.train.labels})) print(" 测试 :"+str(times)+"- 准确度为:",sess.run(accuracy, feed_dict={x_: mnist.test.images,y_: mnist.test.labels}))
以上的next_batch、mnist.test.images、mnist.test.images都在下面文件中定义:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/learn/python/learn/datasets/mnist.py
if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data', help='Directory for storing input data') FLAGS, unparsed = parser.parse_known_args() tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
以下是我的一些测试结果:
1.
2.
阅读全文
0 0
- 菜鸟角度的mnist_softmax代码详解
- 阅读mnist_softmax.py的一些基础练习。
- jsp分页查询与显示,一只纯菜鸟的角度....
- 从编译器的角度看C代码
- 站在人的角度写代码
- 从产品的角度写代码
- 从代码角度进行优化的技巧
- 从菜鸟角度看construct2
- tensorflow(1) mnist_softmax.py
- 从JVM的角度看JAVA代码--代码优化
- JSP自制标签。以一只真正的菜鸟角度来审视自制标签。。。
- 骗菜鸟的图片防盗链代码
- 菜鸟必看的javascript代码
- 磨刀不误砍柴工-----小菜鸟对代码的认识
- 菜鸟开始写代码的心得
- 从层次架构的角度看代码模板的通用性
- 代码分析你的网站从SEO的角度来看
- 从代码的角度 微微增加rfid的识别距离
- Windows线程(6)
- Android Material Design控件之TabLayout
- 12433436564657657转载
- 第二周第一课绪论
- 欢迎使用CSDN-markdown编辑器
- 菜鸟角度的mnist_softmax代码详解
- STL中与二分查找相关的4个函数(转)
- Python之文件操作
- CSDN-markdown编辑器语法——字体、字号与颜色
- C++类的继承
- Hadoop学习常见问题及答案整理(二)
- 9月19号开通博客
- Spinner和ListView
- 创建线程的内幕(6)