MINST-Tensorflow1.0下搭建softmax模型
来源:互联网 发布:js鼠标移入添加样式 编辑:程序博客网 时间:2024/06/15 15:21
- MNIST数据集下载
- 从这里copy代码到ide
- https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/examples/tutorials/mnist/input_data.py
- import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
mnist=read_data_sets(train_dir=’./MNIST_data/’,one_hot=’True’)
(read_data_sets为1.0内容,现已更新)
MINST回归模型
- import tensorflow as tf#导入tf
- x = tf.placeholder(tf.float32, [None, 784])
- x不是一个特定的值,而是一个占位符placeholder,在TensorFlow运行计算时输入这个值。希望能够输入任意数量的MNIST图像,每一张图展平成784维的向量。我们用2维的浮点数张量来表示这些图,这个张量的形状是[None,784 ]。(None表示此张量的第一个维度可以是任何长度。)
W = tf.Variable(tf.zeros([784,10]))
模型也需要权重值和偏置量,当然我们可以把它们当做是另外的输入(使用占位符),但TensorFlow有一个更好的方法来表示它们:Variable 。 一个Variable代表一个可修改的张量,存在在TensorFlow的用于描述交互性操作的图中。它们可以用于计算输入值,也可以在计算中被修改。
b = tf.Variable(tf.zeros([10]))
现在,我们可以实现我们的模型啦。只需要一行代码!
y = tf.nn.softmax(tf.matmul(x,W) + b)
训练模型
- y_ = tf.placeholder(“float”, [None,10])
- cross_entropy = -tf.reduce_sum(y_*tf.log(y))
- train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
- PS:TensorFlow用梯度下降算法(gradient descent algorithm)以0.01的学习速率最小化交叉熵。梯度下降算法(gradient descent algorithm)是一个简单的学习过程,TensorFlow只需将每个变量一点点地往使成本不断降低的方向移动。当然TensorFlow也提供了其他许多优化算法:只要简单地调整一行代码就可以使用其他的算法。
- init = tf.initialize_all_variables()
- sess = tf.Session()
- sess.run(init)
- PS:初始化变量,并启动session,执行计算。
- 开始训练:
- for i in range(3000):
- batch_xs, batch_ys = mnist.train.next_batch(100)
- sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
- 该循环的每个步骤中,我们都会随机抓取训练数据中的100个批处理数据点,然后我们用这些数据点作为参数替换之前的占位符来运行train_step。 -
- 评估模型:
- correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
- 评估标签的真实性
- accuracy = tf.reduce_mean(tf.cast(correct_prediction, “float”))
- 把布尔值转化为浮点数,然后计算例如,[True, False, True, True] 会变成 [1,0,1,1] ,取平均值后得到 0.75.
- print (sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
- 最后,我们计算所学习到的模型在测试数据集上面的正确率。
- 总结 -
:
0 0
- MINST-Tensorflow1.0下搭建softmax模型
- Softmax回归——识别MINST数据库
- MINST数据softmax进行数字识别
- win10下安装tensorflow1.0
- tensorflow1.0 windows下安装
- softmax模型
- 170615 windows 下 tensorflow1.2.0rc2 模型的保存与恢复
- Softmax回归模型
- Softmax回归模型
- Softmax回归模型
- Softmax 回归模型
- softmax回归模型
- win10下安装CUDA8.0+Cudnn5.1+tensorflow1.2.1
- TensorFlow1:windows下安装TensorFlow
- win10下配置Tensorflow1.4
- Anaconda+tensorflow1.0安装
- tensorflow1.0安装
- ubuntu安装tensorflow1.0
- PCB设计铜铂厚度、线宽和电流关系
- Windows查看端口使用情况
- Oracle数据库 实例说明:表的创建、重命名、属性/字段/列的添加删除与修改
- Morganstanley Interview
- Java NIO系列教程(六) Selector
- MINST-Tensorflow1.0下搭建softmax模型
- Rikka with Tree (模拟过程(树的特殊性))
- 操作系统运转机制核心原理
- Android ConstraintLayout使用指南
- rtmp/rtsp/hls公网测试地址
- 数据结构——栈之链式存储
- 二叉树的遍历
- Android开发必备之运行时动态请求权限
- SQL语句--update