搭建一个神经网络-多层感知器完成分类问题

最新推荐文章于 2022-06-16 12:16:57 发布

原创

最新推荐文章于 2022-06-16 12:16:57 发布 · 888 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #分类问题 #多层感知器 #手写字符识别

本文记录了利用神经网络中的多层感知器训练模型解决手写字符识别问题的过程。随着训练的进行，模型的损失成本逐渐降低，最终达到较高的识别准确率94.37%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#第一步：环境设定
import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import time
#第二步：数据准备
#使用TensorFlow自带的工具加载MNIST手写数字集合
mnist=input_data.read_data_sets('/data/mnist',one_hot=True)
#查看数据维度
mnist.train.images.shape
#查看target维度
mnist.train.labels.shape
#第三步：准备好placeholder
X=tf.placeholder(tf.float32,[None,784],name='X_placeholder')
Y=tf.placeholder(tf.float32,[None,10],name='Y_placeholder')
#第四步：准备好参数和权重
n_hidden_1=256#第1个隐层
n_hidden_2=256#第2个隐层
n_input=784#MNIST数据输入（28*28*1=784）
n_classes=10#MNIST总共有10个手写类别
#高斯分布随机采样
weights={
    'h1':tf.Variable(tf.random_normal([n_input,n_hidden_1]),name='W1'),
    'h2':tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2]),name='W2'),  
    'out':tf.Variable(tf.random_normal([n_hidden_1,n_classes]),name='W')  
}
biases={
    'b1':tf.Variable(tf.random_normal([n_hidden_1]),name='b1'),
    'b2':tf.Variable(tf.rand