Tensorflow学习笔记(三)——深入MNIST

Mnist数据集以及input_data.py的代码 Mnist作为tensorflow的入门,但是很多人都在Mnist的数据集上就已经卡住了。有的人找不到input_data.pyde代码。所以在此给那些找不到input_data.py的人提供代码。仅供学习。源代码来自于https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/examples/tutorials/mnis... 阅读详情
# load MNIST data
import input_data
mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)

# start tensorflow interactiveSession
import tensorflow as tf
sess = tf.InteractiveSession()

# weight initialization
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape = shape)
    return tf.Variable(initial)

# convolution
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# pooling
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# Create the model
# placeholder
x = tf.placeholder("float", [None, 784])
y_ = tf.placeholder("float", [None, 10])
# variables
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x,W) + b)

# first convolutinal layer
w_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1, 28, 28, 1])

h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

# second convolutional layer
w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

# densely connected layer
w_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)

# dropout
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# readout layer
w_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2) + b_fc2)

# train and evaluate the model
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdagradOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.initialize_all_variables())
for i in range(20000):
    batch = mnist.train.next_batch(50)
    if i%100 == 0:
        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})
        print "step %d, train accuracy %g" %(i, train_accuracy)
    train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})

print "test accuracy %g" % accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0})

运行结果:未完成20000步的过程截图


深度学习笔记——TensorFlow学习笔记(三)使用TensorFlow实现的神经网络进行MNIST手写体数字识别 本文是TensorFlow学习的第三部分,参考的是《TensorFlow实战Google深度学习框架》一书,这部分讲述的是使用TensorFlow实现的神经网络进行MNIST手写体数字识别一个实例。 这个实例将第二部分讲述的激活函数、损失函数、优化算法、正则化等都运用上了。同时,使用TensorFlow中利用变量名称来创建/获取变量的机制将前向传播的过程抽象出来,使得训练和测试时不需要关心神经网络的结构或是参数;还使用了TensorFlow保存模型的方法将模型持久化(保存),以及加载模型进行预测。 阅读详情

相关推荐

TensorFlow入门(三)多层 CNNs 实现 mnist分类

深入MNISTrefer: http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_pros.html @author: huangyongye @date: 2017-02-24之前在keras中用同样的网络和同样的数据集来做这个例子的时候。keras占用了 5647M 的显存(训练过程中设了 validation_s

大学之道,在明明德 1万+

从tensorflow.examples.tutorials.mnist导入input_data出现错误并弹窗的解决方案

Tensorflow报错解决: import numpy as np import sklearn.preprocessing as prep import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 报错 我今天在使用tensorflow.examples.tutorials.mn...

Invokar的博客 2万+

TensorFlow入门 |(三)MNIST手写数字识别

(一)MNIST手写体数据集介绍 MNIST手写数字识别算是计算机视觉入门的一个项目。也是传说中机器学习入门的“Hello World”。小编写这篇文章的时候也算是一个新手,分享下自己的学习成果,和大家一起学习进步。 MNIST数据集包含各种(0~9)手写数字: 数据集官网:http://yann.lecun.com/exdb/mnist/ ,数据集包含60000个训练样本和10000个测试样本。...

econe_wei的博客 1904

Tensorflow学习笔记六——全连接神经网络的经典实战

6.1 经典的MINST数据集 ##tensorflow1.0 load mnist dataset from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("MNIST_data",one_hot=Ture) print("Traing daya anf label size:") print(mnist.train.images.shape,mnist.train.labels.

weixin_43941538的博客 473

Tensorflow- MNIST机器学习入门

tensorflow中文社区对官方文档进行了完整翻译。鉴于官方更新不少内容,而现有的翻译基本上都已过时。故本人对更新后文档进行翻译工作,纰漏之处请大家指正。(如需了解其他方面知识,可参阅以下这个教程的目标读者是对机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识,你可以直接阅读这个。在学习教程之前,请确保已经安装。当我们开始学习编程的时候,第一件事往往是学习打印"Hello World"。

2501_91623904的博客 1312

Wezterm的安装和简单配置

希望 wezterm 的主题配色,保持和 powershell 默认配色一致,也就是 Compell 主题。目的是在频繁使用 wezterm 时,原本的根据颜色判断文件信息(尤其是WSL里的Linux下,文件和目录颜色)依然可以使用。wezterm 默认用 cmd.exe, 我是 win11,希望默认用 powershell。

baiyu33的博客 4290

加载 mnist 出现 No module named input_data 问题

问题 在使用 import input_data 加载数据集 mnist 时出现 No module named input_data 解决方法 不可以直接使用 import input_data 应该是 from tensorflow.examples.tutorials.mnist import input_data  ...

良晨的技术站 6501

软件工程:数据字典

数据字典

永远怀着至诚之心拥抱世界 4282

Tensorflow学习笔记(三)MNIST初探

写在前面上一篇笔记里面已经介绍了MNIST数据集使用Softmax回归进行处理的基本框架,这篇笔记会记录更多实践的过程。(适合python初学者)

咩~ 1373

Zemax:初学者的混合模式

光线以序列模式开始,然后接近非序列组件的入口端口。到达入口端口后,光线以非序列模式传播,然后接近出口端口。光线离开出口端口后,我们又回到序列模式。在此博客中,使用混合模式的示例将演示根据您自己的需要复制此工作流程所需的基本设置,以及一些有用的技巧。非序列组件表面类型必须在序列模式和非序列模式下定义。为了定义非序列组件的几何形状,请转到设置->编辑器->非序列,单击非序列编辑器。一旦我们进入非序列组件编辑器:表面 2 上的组件组,找到一个对象类型并进行定义。它能让您兼具序列模式的精确性和非序列模式的灵活性。

jkh920184196的博客 1344

数学建模之0—1规划(Python)

目录 1、概述 (1)知识框架 (2)线性整数规划模型 (3)分支定界法 2、案例 (1)案例1​ (2)案例2 3、遗传算法—sko-GA包实现 (1)代码 (2)结果 4、PuLp实现 (1)代码 (2)结果 5、致谢 1、概述 (1)知识框架 (2)线性整数规划模型 (3)分支定界法 2、案例 (1)案例1 (2)案例2 3、遗传算法—sko-GA包...

weixin_46039719的博客 4112

tensorflow学习笔记之(三)—— Mnist For Experts

tensorflow学习笔记之(三)—— Mnist For Experts (首发日期:2018年01月01日23:20:30 更新日期:2018年01月20日06:51:33) 本文为tensorflow的MNIST代码实例,原文链接: 英文版tensorflow-MNIST For ML Beginner 中文版tensorflow mnist for beginner

lucky7213的专栏 602

深度学习(五)迁移学习(实战:新数据预测+vgg16和聚类预测)

6、成功引入PCA数据降维技术,剔除了数据中的噪音信息、降低了模型复杂度、减少了模型训练时间,并最终提高了模型表现;gen=datagen.flow_from_directory(path,target_size=(224,224),batch_size=2,save_to_dir=dst_path,save_prefix='gen',save_format='jpg') # 生成图片大小224*224,bs产生多少组图像,存储路径和前缀。1、通过使用新数据,实现了模型的2次训练,达到了较好的预测效果;

weixin_37699342的博客 776

TensorFlow学习笔记(三) mnist detection example (practice)

数据集例子简单的例子的神经网络图如下:所以在下面的代码中,每个例子x_input 是一个784的一维向量,y_lables 是一个10的向量。import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data from tensorflow import float32 #载入数据,会自动通过一个脚...

像风一样 1364

【INMP441】 MEMS麦克风,让硬件“听得见”,更要“听得清”

INMP441是一款数字MEMS麦克风,采用PDM接口输出高质量数字音频信号。相比传统模拟麦克风,它具有高度集成、抗干扰强、功耗低等优势,支持通过时钟启停实现软件控制开关。该麦克风体积小巧但功能强大,内置MEMS传感器、ADC转换器等模块,适合智能音箱、语音遥控等应用。工程师可通过ESP32等主控芯片轻松连接INMP441,利用多麦克风阵列实现波束成形等高级功能。INMP441展现了数字音频采集的先进技术,为创客和智能硬件开发者提供了优秀的音频解决方案。

深耕CV 1539

【回眸】Tessy集成测试软件使用指南(一)新手使用篇

这个专栏的文章前4篇都在记录如何使用Tessy进行单元测试,集成测试需要有一定单元测试基础,且做集成测试之前,需要做好单元测试,否则将会大幅增加软件单元代码纠错的代价。集成测试所花费的时间通常远远超过单元测试。如果直接从单元测试到系统测试,结果往往是不理想的。集成测试可以检测由于单元相互交互而导致的错误,通常由一组专业的测试人员执行。

啤酒鸭的物联网开发记录博客 5294

TensorFlow官方教程学习笔记(三)——MNIST入门(续)

在上一篇文章中,我们使用了一个简单的SoftMax的回归模型对MNIST手写数字数据集进行训练,经过1000次的跌代后,识别精度达到了91%,但这是远远不够的。 在本章中,我们使用一个稍微复杂的模型,其实也不是很复杂,一个含有两个卷积层的卷积神经网络,来测试它的识别效果。

小时候贼聪明 3303

SpringBoot 整合Jasypt 实现配置文件加密读取操作详解

SpringBoot 整合Jasypt 实现配置文件加密读取操作详解

congge 4101

TensorFlow学习笔记(三)MNIST数字识别问题

一、MNSIT数据处理 MNSIT是一个非常有名的手写体数字识别数据集。包含60000张训练图片,10000张测试图片。每张图片是28X28的数字。 TonserFlow提供了一个类来处理  MNSIT数据。这个类会自动下载并转化数据结构。 import tensorflow as tf from tensorflow.examples.tutorials.mnist import...

weixin_33860147的博客 142

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Tensorflow:实战Google深度学习框架 学习笔记(三):MNIST数字识别

Tensorflow 学习笔记(三):MNIST数字识别 前言 MNIST手写数字识别是一个非常经典入门的深度学习的实验,跟着《 Tensorflow:实战Google深度学习框架》第五章学习如何利用Tensorflow框架完成这个实验。 哇,我发现每章内容知识点繁多,如果只是刷一遍不用也忘了,决定以小节为单位慢慢刷书,后面要用到哪个再慢慢看。 最近还有各种算法要学,得赶快投入学理论知识。 慢慢更...

笔记 656

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

TensorFlow学习笔记(三):Tutorial第二个例子-深入MNIST-卷积神经网络

这篇文章主要对TensorFlow的Tutorial第二个例子-深入MNIST-卷积神经网络一些不是特别明确的问题进行说明,包括卷积网络的结构与LeNet-5的区别,Dropout及ADAM优化器。

LL的博客 5801

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

tensorflow学习笔记三:mnist实例--用简单的神经网络来训练和测试

刚开始学习tf时,我们从简单的地方开始。卷积神经网络(CNN)是由简单的神经网络(NN)发展而来的,因此,我们的第一个例子,就从神经网络开始。神经网络没有卷积功能,只有简单的三层:输入层,隐藏层和输出层。数据从输入层输入,在隐藏层进行加权变换,最后在输出层进行输出。输出的时候,我们可以使用softmax回归,输出属于每个类别的概率值。借用极客学院的图表示如下: 其中,x1,x2,x3为输入数据,经...

IT人生 505

基于tensorflow的MNIST数字识别

一、MNIST数据集介绍 MNIST是一个非常有名的手写体数字识别数据集,在很多资料中,这个数据集都会作为深度学习的入门样例。下面大致介绍这个数据集的基本情况,并介绍tensorflow对MNIST数据集做的封装。tensorflow的封装让使用MNIST数据集变得更加方便。MNIST数据集是NIST数据集的一个子集,它包含了60000张图片作为训练数据,10000张图片作为测试数据。在MNIS...

weixin_36670529的博客 2165

Tensorflow实战(一)——MNIST

文章目录1. MNIST1.1 MNIST 简介1.2 MNIST 下载1.3 MNIST 使用1.4 图像标签的one-hot表示2. Softmax 回归2.1 Softmax 简介2.2 Softmax 实现3. 损失函数3.1 损失函数简介3.2 损失函数实现4. 运行模型5. 测试模型6. 完整代码与解析 引用 https://www.cnblogs.com/lizheng114/p/7439556.html https://www.cnblogs.com/xiaoyh/p/10813413.

陈陈陈Chan的博客 8035

TensorFlow官方教程学习笔记(二)——MNIST入门

TensorFlow官方教程学习笔记(二)——MNIST入门

小时候贼聪明 1万+
上一篇: Tensorflow学习笔记(二)——MNIST机器学习入门
下一篇: TensorFlow学习笔记(四)——TensorFlow运作方式入门、可视化
annaPresident
博客等级 码龄12年 37粉丝 67原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值