Tensorflow— tensorboard网络运行

最新推荐文章于 2022-08-17 20:45:35 发布

原创最新推荐文章于 2022-08-17 20:45:35 发布 · 903 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#Tensorflow #深度学习

本文介绍了一个基于TensorFlow的手写数字识别模型实现过程。利用MNIST数据集进行训练，并通过构建简单的神经网络来实现对手写数字的有效识别。文中详细展示了如何搭建模型、设置参数、训练及评估模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


#载入数据集
#当前路径
mnist = input_data.read_data_sets("MNISt_data", one_hot=True)

运行结果：

Extracting MNISt_data/train-images-idx3-ubyte.gz
Extracting MNISt_data/train-labels-idx1-ubyte.gz
Extracting MNISt_data/t10k-images-idx3-ubyte.gz
Extracting MNISt_data/t10k-labels-idx1-ubyte.gz

代码：

#每个批次的大小
#以矩阵的形式放进去
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size


#参数概要

def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        #记录一个值并给出名字
        tf.summary.scalar('mean', mean)#平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)#标准差
        tf.summary.scalar('max', tf.reduce_max(var))#最大值
        tf.summary.scalar('min', tf.reduce_min(var))#最小值
        tf.summary.histogram('histogram', var)#直方图

#命名空间
with tf.name_scope('input'):
    #定义两个placeholder
    #28 x 28 = 784
    x = tf.placeholder(tf.float32, [None, 784], name='x_input')
    y = tf.placeholder(tf.float32, [None, 10], name='y_input')

with tf.name_scope('layer'):
    #创建一个简单的神经网络
    #输入层784，没有隐藏层，输出层10个神经元
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784, 10]), name='W')
        variable_summaries(W)
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([1, 10]), name='b')
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):   
        wx_plus_b = tf.matmul(x, W) + b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    #二次代价函数
    loss = tf.reduce_mean(tf.square(y - prediction))
    #只有一个值没必要调用函数
    tf.summary.scalar('loss', loss)
    #交叉熵
    #loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))

with tf.name_scope('train'):
    #使用梯度下降法
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

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


with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        #结果存放在一个布尔型列表中
        #tf.argmax(y, 1)与tf.argmax(prediction, 1)相同返回True,不同则返回False
        #argmax返回一维张量中最大的值所在的位置
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
    with tf.name_scope('accuracy'):
        #求准确率
        #tf.cast(correct_prediction, tf.float32) 将布尔型转换为浮点型
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
        tf.summary.scalar('accuracy', accuracy)

        
#合并所有的summary
merged = tf.summary.merge_all()
              
        
with tf.Session() as sess:
    sess.run(init)
    
    
    #当前路径logs文件夹
    writer = tf.summary.FileWriter('logs/', sess.graph)
    #总共51个周期
    for epoch in range(51):
        #总共n_batch个批次
        for batch in range(n_batch):
            #获得一个批次
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            summary,_ = sess.run([merged, train_step], feed_dict={x:batch_xs, y:batch_ys})
            
            
        writer.add_summary(summary, epoch)  
        #训练完一个周期后准确率
        acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})
        print("Iter" + str(epoch) + ", Testing Accuracy" + str(acc))

在命令行：