TensorFlow学习笔记（5）——训练全连接神经网络

最新推荐文章于 2024-10-15 08:15:00 发布

Ericonaldo

最新推荐文章于 2024-10-15 08:15:00 发布

阅读量4.2k

点赞数

分类专栏：深度学习文章标签：神经网络

本文链接：https://blog.csdn.net/Eric_KEY/article/details/77801928

版权

本文介绍了使用TensorFlow构建并训练全连接神经网络来解决经典的MNIST手写数字识别问题，详细讲解了模型中滑动平均的应用。

摘要由CSDN通过智能技术生成

全连接神经网络解决MNIST问题

这里的模型是使用滑动平均的模型
代码和我的注释：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
'''
mnist = input_data.read_data_sets("path/to/MNIST_data", one_hot=True)
print(mnist.train.num_examples)
print(mnist.validation.num_examples)
print(mnist.test.num_examples)
print(mnist.train.images[0])
print(mnist.train.labels[0])
'''

#MNIST数据集相关常数
INPUT_NODE=784
OUTPUT_NODE=10

#配置神经网络参数
LAYER1_NODE=500
BATCH_SIZE=100

LEARNING_RATE_BASE=0.8
LEARNING_RATE_DECAY=0.99
REGULARIZATION_RATE=0.0001
TRAINING_STEPS=30000
MOVING_AVERAGE_DECAY=0.99

#一个辅助函数，给定神经网络的输入和所有参数，计算神经网络的前向传播结果。定义了一个ReLU激活函数的三层全连接神经网络。
def inference(input_tensor, avg_class, weight