构建简单网络和优化方法—手写数字识别

构建简单网络和优化方法—手写数字识别

1,如何构建初始的“手写数字识别”神经网络？

​ 1.下载MNIST_data集并把该数据集放在源.py/.ipynb文件的相同路径位置，并载入数据集。

​

​ 2.自定义batch_size(每个批次读取图片的数量大小)，并计算n_batch(总共的批次数)。

​ 3.定义x和y，使用feed方法进行数据输入。

​ 4.创建一个简单的神经网络，输入层为784个神经元，输出层为10个神将元。(需要注意的是：激活函数使用softmax(),用于将计算结果进行概率转换。)

​ 5.损失函数使用二次代价函数，loss = tf.reduce_mean(tf.square(y-prediction))。

​ 6.优化器使用梯度下降法，train_step = tf.train.GradientDescentOptimizer(xx).minimize(loss)。

​ 7.结果存放在一个布尔型列表中，correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置。

​ 8.定义准确率，accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))。

​ 9使用默认图tensorflow.Session()进行训练并调用测试。（需要注意的地方：sess.run(train_step)使用的是train集，而sess.run(accuracy)使用的是test集。）

​

2，如何进行简单网络的优化？

1.对w，b的初始值进行优化。

W = tf.Variable(tf.truncated_normal([784, 3000], stddev=0.1))
b = tf.Variable(tf.zeros([3000])+0.1)

2.使用交叉熵函数作为损失函数。

#交叉熵函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y, logits=prediction))

需要注意的是：

​ 在Tensorflow中用： tf.nn.softmax_cross_entropy_with_logits()来表示跟softmax搭配使用的交叉熵。

3.添加多个中间层，同时使用Dropout()防止过拟合发生。

#创建神经网络的中间层1
W1 = tf.Variable(tf.truncated_normal([784, 500], stddev=0.1))
b1 = tf.Variable(tf.zeros([500])+0.1)
predict1 = tf.nn.tanh(tf.matmul(x, W1)+b1)
drop_1 = tf.nn.dropout(predict1, keep_prob)
#创建神经网络的中间层2
W2 = tf.Variable(tf.truncated_normal([500, 300], stddev=0.1))
b2 = tf.Variable(tf.zeros([300])+0.1)
predict2 = tf.nn.tanh(tf.matmul(drop_1, W2)+b2)
drop_2 = tf.nn.dropout(predict2, keep_prob)
#创建神经网络的输出层
W3 = tf.Variable(tf.truncated_normal([300, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(drop_2, W3)+b3)

注：keep_prob为随机抽取同一层神经元的比例，神经元个数控制在数据集相近。

4.使用优化器AdamOptimizer，减小学习率的变化速度

#定义变量学习率lr，初始化为0.001
lr = tf.Variable(0.001, dtype=tf.float32)
#使用AdamOptimizer优化器
train_step = tf.train.AdamOptimizer(lr).minimize(loss)
#在迭代中设置学习率变化幅度
sess.run(tf.assign(lr, 0.001*(0.95**epoch)))

本题采用以上4种优化方法后优化效果较好。

优化后的测试结果：
​
附：优化前的简单网络的构建代码—手写字体识别：

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
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]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

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

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            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))