手写数字识别

最新推荐文章于 2025-07-31 08:43:25 发布

牧羊先生

最新推荐文章于 2025-07-31 08:43:25 发布

阅读量161

点赞数

CC 4.0 BY-SA版权

文章标签： tensorflow

本文链接：https://blog.youkuaiyun.com/luyakuncsdnzc/article/details/102558016

本文介绍了一个使用TensorFlow实现的单层神经网络模型，该模型在MNIST手写数字数据集上进行训练和测试。通过定义placeholder、初始化变量、构建预测模型、设置损失函数和优化器，实现了模型的训练过程。最后，通过计算准确率评估了模型的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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)
print(mnist)
#每个批次大小
batch_size = 100
# 计算一共有多少个批次
#n_batch = mnist.train.num//batch_size

#定义两个placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

#单层神经网络
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))
#梯度下降法，优化器
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

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

#结果存放到一个布尔类型列表中
correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(prediction, 1))#argmax返回一维张量中最大的值在哪个位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#布尔型转化为floa32，true=1.0，false=0.0，再求平均值

with tf.Session() as sess:
    sess.run(init)
    for i in range(50):    #训练次数
        for batch in range(1000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            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(i, 'Iter' + ',Testing Accuracy' + str(acc))