手写数字识别准确率输出

最新推荐文章于 2021-10-19 21:41:34 发布

原创

最新推荐文章于 2021-10-19 21:41:34 发布 · 2.5k 阅读

0 ·

CC 4.0 BY-SA版权

本文深入探讨了手写数字识别技术，通过构建和训练模型，详细解析了提高识别准确率的关键步骤。从数据预处理、模型选择到优化策略，全方位展示了提升识别效果的实践方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

点击此处返回总目录

【要求】

1. 包含正则化的损失函数。

2. 指数学习衰减率。

3. 滑动平均。

4. 模型支持断点续训功能。也就是，训练如果被中断，再次运行的时候，会找到断点，继续训练。

【实现】

整个工程共包括3个文件：

前向传播 mnist_forward.py //描述网络结构

后向传播 mnist_backward.py //描述网络参数优化方法

测试输出准确率 mnist_test.py //复现了计算图中的节点，计算模型在测试数据上的准确率

//mnist_forward.py

import tensorflow as tf

#首先定义了神经网络结构的相关参数
INPUT_NODE = 784 #神经网络的输入节点是784个。因为输入的是图片像素值，每张图片是28*28=784个像素点。
OUTPUT_NODE = 10 #输出10个数，每个数表示对应的索引号出现的概率。实现了10分类。
LAYER1_NODE = 500 #隐藏层节点的个数

def get_weight(shape,regularizer):
w = tf.Variable(tf.truncated_normal(shape,stddev = 0.1)) #随机生成参数w
if regularizer !=None: #如果使用正则化，则将每一个w的正则化损失加入到总损失集合losses
tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))
return w

def get_bias(shape):
b = tf.Variable(tf.zeros(shape))
return b

#搭建网络，描述从输入到输出的数据流
def forward(x,regularizer):
w1 = get_weight([INPUT_NODE,LAYER1_NODE],regularizer)
b1 = get_bias([LAYER1_NODE])
y1 = tf.nn.relu(tf.matmul(x,w1)+b1)

w2 = get_weight([LAYER1_NODE,OUTPUT_NODE],regularizer)
b2 = get_bias([OUTPUT_NODE])
y = tf.matmul(y1,w2)+b2