基于RNN的mnist数字识别神经网络实现

本文介绍了如何运用循环神经网络(RNN)和TensorFlow进行MNIST手写数字识别。首先阐述了RNN的基本概念和TensorFlow的入门知识,接着详细讲解了获取MNIST数据集和理解关键变量的过程。完整代码可在作者的GitHub仓库中查阅。
摘要由CSDN通过智能技术生成

一、前言

1、什么是RNN?

2、TensorFlow入门

二、实战

1、获取mnist数据集

from tensorflow.examples.tutorials.mnist import input_data

# minst测试集
mnist = input_data.read_data_sets('mnist/', one_hot=True)
这里的one_hot指标签使用one_hot形式,由于是0-9的数字识别,所以应该是10位长度的向量。

2、变量解释

# 每次使用100条数据进行训练
batch_size = 100
# 图像向量
width = 28
height = 28
# LSTM隐藏神经元数量
rnn_size = 256
# 输出层one-hot向量长度的
out_size = 10
3、权重及偏置定义

def weight_variable(shape, w_alpha=0.01):
    '''
    增加噪音,随机生成权重
    :p
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值