欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

TensorFlow神经网络创建多层感知机MNIST数据集

程序员文章站 2022-06-19 13:50:08
前面使用tensorflow实现一个完整的softmax regression,并在mnist数据及上取得了约92%的正确率。前文传送门: tensorflow教程softmax逻辑回归识别手写数字m...

前面使用tensorflow实现一个完整的softmax regression,并在mnist数据及上取得了约92%的正确率。

前文传送门: tensorflow教程softmax逻辑回归识别手写数字mnist数据集

现在建含一个隐层的神经网络模型(多层感知机)。

import tensorflow as tf
import numpy as np
import input_data
mnist = input_data.read_data_sets('data/', one_hot=true)
n_hidden_1 = 256
n_input    = 784
n_classes  = 10
# inputs and outputs
x = tf.placeholder(tf.float32, [none, n_input]) # 用placeholder先占地方,样本个数不确定为none
y = tf.placeholder(tf.float32, [none, n_classes]) # 用placeholder先占地方,样本个数不确定为none
# network parameters
weights = {
    'w1': tf.variable(tf.random_normal([n_input, n_hidden_1], stddev=0.1)),
    'out': tf.variable(tf.zeros([n_hidden_1, n_classes]))
}
biases = {
    'b1': tf.variable(tf.zeros([n_hidden_1])),
    'out': tf.variable(tf.zeros([n_classes]))
}
print("network ready")

def multilayer_perceptron(_x, _weights, _biases): # 前向传播,l1、l2每一层后面加relu激活函数
    layer_1 = tf.nn.relu(tf.add(tf.matmul(_x, _weights['w1']), _biases['b1'])) # 隐层
    return (tf.matmul(layer_1, _weights['out']) + _biases['out']) # 返回输出层的结果,得到十个类别的得分值

pred = multilayer_perceptron(x, weights, biases) # 前向传播的预测值
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y)) # 交叉熵损失函数,参数分别为预测值pred和实际label值y,reduce_mean为求平均loss
optm = tf.train.gradientdescentoptimizer(0.01).minimize(cost) # 梯度下降优化器
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # tf.equal()对比预测值的索引和实际label的索引是否一样,一样返回true,不一样返回false
accr = tf.reduce_mean(tf.cast(corr, tf.float32)) # 将pred即true或false转换为1或0,并对所有的判断结果求均值
init = tf.global_variables_initializer()
print("functions ready")

# 上面神经网络结构定义好之后,下面定义一些超参数
training_epochs = 100 # 所有样本迭代100次
batch_size = 100 # 每进行一次迭代选择100个样本
display_step = 5
# launch the graph
sess = tf.session() # 定义一个session
sess.run(init) # 在sess里run一下初始化操作
# optimize
for epoch in range(training_epochs):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples/batch_size)
    # loop over all batches
    for i in range(total_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size) # 逐个batch的去取数据
        sess.run(optm, feed_dict={x: batch_xs, y: batch_ys})
        avg_cost += sess.run(cost, feed_dict={x: batch_xs, y: batch_ys})/total_batch
    # display logs per epoch step
    if epoch % display_step == 0:
        train_acc = sess.run(accr, feed_dict={x: batch_xs, y: batch_ys})
        test_acc = sess.run(accr, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("epoch: %03d/%03d cost: %.9f train accuracy: %.3f test accuracy: %.3f"
              % (epoch, training_epochs, avg_cost, train_acc, test_acc))
print("done")

迭代100次看下效果,程序运行结果如下:

epoch: 095/100 cost: 0.076462782 train accuracy: 0.990 test accuracy: 0.970

最终,在测试集上准确率达到97%,随着迭代次数增加,准确率还会上升。相比之前的softmax,训练迭代100次我们的误差率由8%降到了3%,对识别银行账单这种精确度要求很高的场景,可以说是飞跃性的提高。而这个提升仅靠增加一个隐层就实现了,可见多层神经网络的效果有多显著。

没有隐含层的softmax regression只能直接从图像的像素点推断是哪个数字,而没有特征抽象的过程。多层神经网络依靠隐含层,则可以组合出高阶特征,比如横线、竖线、圆圈等,之后可以将这些高阶特征或者说组件再组合成数字,就能实现精准的匹配和分类。

不过,使用全连接神经网络也是有局限的,即使我们使用很深的网络,很多的隐藏节点,很大的迭代次数,也很难在mnist数据集上达到99%以上的准确率。

以上就是tensorflow神经网络创建多层感知机mnist数据集的详细内容,更多关于tensorflow创建多层感知机mnist数据集的资料请关注其它相关文章!