使用tflearn 构建RNN

最新推荐文章于 2022-03-06 09:39:02 发布

姚贤贤

最新推荐文章于 2022-03-06 09:39:02 发布

阅读量809

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： RNN tflearn 机器学习人工智能 DNN

本文链接：https://blog.youkuaiyun.com/u011311291/article/details/79292032

机器学习专栏收录该内容

85 篇文章

订阅专栏

本文介绍了一个使用LSTM神经网络对手写数字进行识别的实战案例。通过加载MNIST数据集，并将其重塑为适合LSTM输入的形式，构建了一个包含两层LSTM单元的模型。最后利用Adam优化器进行模型训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# -*- coding:utf-8 -*-
'''
Created on 2018-1-19

'''
import numpy as np
import tflearn
import tflearn.datasets.mnist as mnist

X, Y, testX, testY = mnist.load_data(one_hot=True)
def do_rnn(X, Y, testX, testY):
#     这里需要将(1,784)转变为(28*28),因为lstm需要的输入是时序的，这里可以28*28可以看做28行*28列，然后每次计算是一行*28列进行计算，每一行的计算结果
#     都会参与下一行的计算，和MLP,CNN不同
    X = np.reshape(X, (-1, 28, 28))
    testX = np.reshape(testX, (-1, 28, 28))
#     定义输入层
    net = tflearn.input_data(shape=[None, 28, 28])
#     添加lstm结构，如果后面跟着lstm，那么需要return_seq=True，输出3-D Tensor [samples, timesteps, output dim]
    net = tflearn.lstm(net, 128, return_seq=True)
#     添加lstm结构,输出2-D Tensor [samples, output dim]
    net = tflearn.lstm(net, 128)
#     添加一层全连接，加softmax分类器
    net = tflearn.fully_connected(net, 10, activation='softmax')
#     定义回归策略,参数优化器采用adam
    net = tflearn.regression(net, optimizer='adam',
                         loss='categorical_crossentropy', name="output1")
#     生成模型
    model = tflearn.DNN(net, tensorboard_verbose=2)
#     训练模型
    model.fit(X, Y, n_epoch=1, validation_set=(testX,testY), show_metric=True,
          snapshot_step=100)

do_rnn(X, Y, testX, testY)