TensorFlow实战4:实现简单的多层神经网络案例
来源:互联网 发布:生产线电子看板数据 编辑:程序博客网 时间:2024/05/21 16:08
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。
阅读全文
1 0
- TensorFlow实战4:实现简单的多层神经网络案例
- [action]tensorflow深度学习实战 (4) 实现简单卷积神经网络
- Tensorflow实战学习(十一)【多层神经网络】
- 《tensorflow实战》学习3——实现简单的卷积神经网络
- tensorflow实现简单的卷积神经网络
- 简单卷积神经网络的tensorflow实现
- Tensorflow实例:实现简单的卷积神经网络
- Tensorflow--多层神经网络
- Tensorflow简单的神经网络
- 简单多层神经网络实现异或XOR
- Tensorflow实战Google-第三章-简单神经网络
- tensorflow实战之 简单卷积神经网络
- Tensorflow MNIST手写体识别多层卷积神经网络程序实现
- 学习TensorFlow,多层卷积神经网络
- 译文 | 与TensorFlow的第一次接触 第五章:多层神经网络
- tensorflow:1)简单的神经网络
- 【Tensorflow】实现简单的卷积神经网络CNN实际代码
- TensorFlow-5实现简单的卷积神经网络CNN
- ATOM 安装+配置炫酷的activate-power-mode..
- FFMPEG视音频编解码资料收集
- 算法分析设计与分析-蛮力法(3)--顺序查找
- python基础-生成包、导入模块、包下_init_模块(__all__方法)
- win server 安装oracle到12%出错
- TensorFlow实战4:实现简单的多层神经网络案例
- c++编译提示:系统找不到指定路径
- Android 快速搭建App架构
- 接口代理
- Linux下安装rar命令,简易而不简单
- ActiveMQ(三)
- Python编程从入门到实践:习题4-10~4-12
- [NOIP2017][luogu3959]宝藏treasure
- 久未更新,希望能跟上大家的进度,装载问题。