TensorFlow实战4：实现简单的多层神经网络案例

这篇文章记录一下使用TensorFlow实现卷积神经网络的过程，数据集采用的还是MNIST数据集，使用了两层的卷积来进行计算，整个过程在jupyter notebook中完成，具体步骤和代码展示如下：

1.环境设定

import numpy as npimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataimport time

1.数据准备

#使用tensorflow自带的工具加载MNIST手写数字集合mnist = input_data.read_data_sets('./data/mnist', one_hot=True) 

可以先对下载的数据信息进行一个初步的了解，有利于后面的使用

#查看一下训练数据维度mnist.train.images.shape

#查看target维度mnist.train.labels.shape

2.准备好placeholder
此处先不指定每次输入数据的大小，在后面根据需要再进行指定和调整。

X = tf.placeholder(tf.float32, [None, 784], name='X_placeholder') Y = tf.placeholder(tf.int32, [None, 10], name='Y_placeholder')

3.准备好参数/权重

# 网络参数n_hidden_1 = 256 # 第1个隐层  ，节点个数为256n_hidden_2 = 256 # 第2个隐层n_input = 784 # MNIST 数据输入(28*28*1=784)n_classes = 10 # MNIST 总共10个手写数字类别weights = {    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1]), name='W1'),    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2]), name='W2'),    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]), name='W')}#偏置在隐层的时候和节点个数一致，在输出层和输出类别个数一致biases = {    'b1': tf.Variable(tf.random_normal([n_hidden_1]), name='b1'),    'b2': tf.Variable(tf.random_normal([n_hidden_2]), name='b2'),    'out': tf.Variable(tf.random_normal([n_classes]), name='bias')}

4.构建网络计算graph

#此函数是用来构建计算的神经网络，得出预测类别的得分def multilayer_perceptron(x, weights, biases):    # 第1个隐层，使用relu激活函数    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'], name='fc_1')    layer_1 = tf.nn.relu(layer_1, name='relu_1')    # 第2个隐层，使用relu激活函数    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'], name='fc_2')    layer_2 = tf.nn.relu(layer_2, name='relu_2')    # 输出层    out_layer = tf.add(tf.matmul(layer_2, weights['out']), biases['out'], name='fc_3')    return out_layer

5.拿到预测类别score

pred = multilayer_perceptron(X, weights, biases)

6.计算损失函数值并初始化optimizer

learning_rate = 0.001loss_all = tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=Y, name='cross_entropy_loss')loss = tf.reduce_mean(loss_all, name='avg_loss')optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

7.初始化变量

init = tf.global_variables_initializer()

8.在session中执行graph定义的运算

#训练总轮数training_epochs = 30#一批数据大小batch_size = 128#信息展示的频度display_step = 5with tf.Session() as sess:    sess.run(init)    writer = tf.summary.FileWriter('./graphs/MLP_DNN', sess.graph)    # 训练    for epoch in range(training_epochs):        avg_loss = 0.        total_batch = int(mnist.train.num_examples/batch_size)        # 遍历所有的batches        for i in range(total_batch):            batch_x, batch_y = mnist.train.next_batch(batch_size)            # 使用optimizer进行优化            _, l = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y})            # 求平均的损失            avg_loss += l / total_batch        # 每一步都展示信息        if epoch % display_step == 0:            print("Epoch:", '%04d' % (epoch+1), "cost=", \                "{:.9f}".format(avg_loss))    print("Optimization Finished!")    # 在测试集上评估    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(Y, 1))    # 计算准确率    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))    print("Accuracy:", accuracy.eval({X: mnist.test.images, Y: mnist.test.labels}))   #此处accuracy是Tensor，在运行计算时需要用到eval()    # print("Accuracy:", sess.run(accuracy,feed_dict = {X: mnist.test.images, Y: mnist.test.labels}))    #也可以用sess.run()    writer.close()

最后得出的训练结果如下图所示：

以上就是用两层的神经网络来对MNIST数据集进行的分类，调整学习率以及循环次数等参数，可能会进一步提高分类的准确率。