全连接神经网络

最新推荐文章于 2024-01-08 08:34:48 发布

蓝天0809

最新推荐文章于 2024-01-08 08:34:48 发布

阅读量633

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/onroadliuyaqiong/article/details/103375737

机器学习专栏收录该内容

22 篇文章

订阅专栏

本文介绍了一种使用TensorFlow实现的全连接神经网络（DNN），通过MNIST手写数字数据集进行训练和测试，展示了如何设置网络参数、初始化权重和偏置，以及如何使用梯度下降优化器最小化交叉熵损失函数，最后评估了模型的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

全连接神经网络，又称DNN，全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data

mnist = input_data.read_data_sets('data/', one_hot=True)

# 叁数设置
n_hidden_1 = 256 
n_hidden_2 = 128 
n_input    = 784 
n_classes  = 10  

#使用占位符
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])
    
# 参数初始化
stddev = 0.1
weights = { 'w1': tf.Variable(tf.random_normal([n_input, n_hidden_1],stddev=stddev)),
'w2':tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev=stddev)),
'out':tf.Variable(tf.random_normal([n_hidden_2, n_classes], stddev=stddev))}
biases = { 'b1': tf.Variable(tf.random_normal([n_hidden_1])),
 'b2': tf.Variable(tf.random_normal([n_hidden_2])),  
 'out': tf.Variable(tf.random_normal([n_classes]))}
print ("NETWORK READY")


#网络迭代
pred = multilayer_perceptron(x, weights, biases)
#交叉熵损失函数
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y)) 
#梯度下降以0.001的学习率来最小化交叉熵
optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost) 
#评估预测结果是否正确及准确率
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    
accr = tf.reduce_mean(tf.cast(corr, "float"))

#全局变量初始化
init = tf.global_variables_initializer()
print ("FUNCTIONS READY")

training_epochs = 20
batch_size      = 100
display_step    = 4
#启动模型
sess = tf.Session()
sess.run(init)
# OPTIMIZE优化
for epoch in range(training_epochs):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples/batch_size)
    # 迭代
    for i in range(total_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        feeds = {x: batch_xs, y: batch_ys}
        sess.run(optm, feed_dict=feeds)
        avg_cost += sess.run(cost, feed_dict=feeds)
    avg_cost = avg_cost / total_batch

    if (epoch+1) % display_step == 0:
        print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
        feeds = {x: batch_xs, y: batch_ys}
        train_acc = sess.run(accr, feed_dict=feeds)
        print ("TRAIN ACCURACY: %.3f" % (train_acc))
        feeds = {x: mnist.test.images, y: mnist.test.labels}
        test_acc = sess.run(accr, feed_dict=feeds)
        print ("TEST ACCURACY: %.3f" % (test_acc))
print ("OPTIMIZATION FINISHED")