完整代码在下方。
一、介绍:
分类入门,使用全连接神经网络,仅有输入层和输出层,准确率暂时仅86%左右。
后续文章会推出更高准确率的方法:
包括但不限于 全连接方法的优化、使用卷积神经网络等。
二、思路:
之前的代码都是解决回归问题的,从本文开始研究分类问题。回归是得到一个具体的数,分类是得到多个概率。
导入MNIST数据,输入的数据为28*28像素的小图片,输出为0-9这10个数。使用全连接神经网络且仅有输入、输出层。对输入层的x_data训练参数Weights和biases,得到预测的y值,选取预测的y值中最大概率的值(计算机分析出的预测值)和y_data的真实值作比较(y_data已人工标注真实值),统计预测对了的概率并输出。
三、踩雷:
1、MNIST数据集下载报错
解决:自行从网上下载MNIST对应的四个jar包。这里提供我自己的网盘资源:
链接:https://pan.baidu.com/s/16TzvwKEiqtwYdAOmZ6BqQQ
提取码:j1wi
2、程序成功率没有任何提升,大约10%成功率
解决: 本来0-9共10个数瞎蒙就是10%概率,说明loss自身或者loss的训练有问题。本人是这里掉了符号:
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1]))
四、入门代码含注释:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#number 1 to 10 data #如果电脑上没有MNIST数据包,会帮你下载下来。
#下次再使用时就直