Tensorflow手写数字识别最简单神经网络版本

最新推荐文章于 2023-09-03 17:24:25 发布

原创最新推荐文章于 2023-09-03 17:24:25 发布 · 372 阅读

1 ·

CC 4.0 BY-SA版权

算法专栏收录该内容

3633 篇文章

订阅专栏

本文介绍了一个基于TensorFlow实现的手写数字识别模型。通过加载MNIST数据集并构建一个简单的神经网络，使用梯度下降法进行训练，并评估了模型在测试集上的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关键是领会Tensorflow图的运行方法

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

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

# 批次的大小
batch_size = 50

# 计算一共有多少批次
n_batch = mnist.train.num_examples // batch_size

# 定义两个placeholder
x = tf.placeholder(tf.float32,[None,28*28])
y = tf.placeholder(tf.float32,[None,10])

# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
# 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()

# 计算正确率,下面是一个布尔型列表
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
# 求准确率，首先把布尔类型转化为浮点类型
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            # 使用函数获取一个批次图片
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x:batch_xs,y:batch_ys})

        acc = sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))