吴恩达深度学习2-Week3课后作业-Tensorflow

一、Deeplearning-assignment

到目前为止，我们一直使用numpy来建立神经网络。这次作业将深入学习框架，可以更容易地建立神经网络。

TensorFlow，PaddlePaddle，Torch，Caffe，Keras等机器学习框架可以显著地加速机器学习开发。这些框架有很多文档，可以随意阅读。在本次任务中，将学习如何在TensorFlow中执行以下操作：

• 初始化变量
• 开始你自己的会话
• 训练算法
• 实现一个神经网络

编程框架不仅可以缩短编码时间，但有时也可以执行优化来加速代码，关于tensorflow相关算法在文章后面已给出。

现在有这样一个问题：对于0-5的手势图片，利用tensorflow框架实现softmax分类器。

训练数据：1080张手势图片代表0-5的数字，每张图片是64 * 64像素大小，每种数字180张图片。

测试数据：120张手势图片代表0-5的数字，每张图片是64 * 64像素大小，每种数字20张图片。

目标是建立一个模型，使得能够以高准确度识别一张图片对应的数字。模型的结构为： LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX。

实验结果：

 

---

二、相关算法代码

import math
import numpy as np
import h5py
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.python.framework import ops
from tf_utils import load_dataset, random_mini_batches, convert_to_one_hot, predict

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
np.random.seed(1)


# y_hat = tf.constant(36, name='y_hat')
# y = tf.constant(39, name='y')
#
# loss = tf.Variable((y - y_hat) ** 2, name='loss')
# init = tf.global_variables_initializer()
# with tf.Session() as session:
#     session.run(init)
#     print(session.run(loss))

# a = tf.constant(2)
# b = tf.constant(10)
# c = tf.multiply(a, b)
# sess = tf.Session()
# print(sess.run(c))

# x = tf.placeholder(tf.int64, name='x')
# print(sess.ru