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

TensorFlow(3) MNIST数据集分类简单版本(神经网络:一个输入层,一个输出层)

程序员文章站 2024-03-08 08:14:09
...

MNIST数据集分类简单版本(神经网络:一个输入层,一个输出层)

import tensorflow as tf

#加载tensorflow mnist数据集
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #one_hot:将标签转换为0和1的形式

#每个批次的大小
batch_size=100  #神经网络中训练按照批次,并不是一张一张图片训练的,批次大小自定义(按照矩阵的形式放进去)

#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size

#定义两个placeholder,784表示:每张图片是28*28=784
x=tf.placeholder(tf.float32,[None,784])

#y表示标签,数字是0-9,所以有10列
y=tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
W=tf.Variable(tf.zeros([784,10]))#权值。输入层,784个输入值;输出层:10个标签(0-9)
b=tf.Variable(tf.zeros([10]))#偏置
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#tf.matmul(x,W)+b信号的总和,softmax函数将这个信号的总和转变为概率值

#二次代价函数
loss=tf.reduce_mean(tf.square(prediction-y))

#使用梯度下降法,0.2的学习率
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#变量初始化
init=tf.global_variables_initializer()


#结果存放在一个bool型列表中
#tf.equal(a,b):比较a,b的大小是否一样,一样就返回true,否则返回false
#tf.argmax(y,1)求y标签中最大的值在哪个位置
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))


#求准确率
#tf.cast(correct_prediction,tf.float32)格式转换,将bool型转为float,然后在求平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.Session() as sess:
    sess.run(init)
    #所有的图片训练21次
    for epoch in range(21):
        #将所有的图片训练一次
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)#获取每一个批次的100张图片,图片数据保存在batch_xs,图片标签保存在:batch_ys
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter "+str(epoch)+",Testing Accuracy " +str(acc))

结果:

TensorFlow(3) MNIST数据集分类简单版本(神经网络:一个输入层,一个输出层)