Tensorflow学习和应用(5)_MNIST数据集

代码

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

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

#每个批次的大小(每次训练的图片数)
batch_size = 100

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

#定义两个placeholder占位符
x = tf.placeholder(tf.float32,[None,784]) #None代表任何值，按批次传，这里的None为100 #28*28=784
y = tf.placeholder(tf.float32,[None,10]) #数字是0-9，所以标签数为10

#创建一个简单的神经网络 输入层784个神经元输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#两种方法选取一种，第二种比第一种准确率会高一些
#交叉熵需要加上_v2，不然会警告
#二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
#交叉熵
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=prediction))

#以下优化方法二选一
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
train_step = tf.train.AdamOptimizer(1e-2).minimize(loss) #10^-2 即0.01

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

#结果存放在一个布尔型列表中
#argmax返回一维张量中最大的值所在的位置
#其中argmax(y,1)表示返回每行最大值位置，即哪一个标签，其中1表示每行
#equal表示比较其中两个参数大小是否一样，返回true或false
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #其中y是表示标签的位置，例如0010000000，则表示标签在2的位置上

#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #cast将布尔型转换为浮点型

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21): #所有图片训练21次
        for batch in range(n_batch):#所有图片都循环了一次，每个批次100
            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))

改进

• 批次的大小
• 增加隐藏层
• 初始化的方式
• 二次代价函数改为交叉熵
• 训练的次数，目前为21次

结果

总共应该到Iter20