4.手写数字识别-简单版

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

#加载手写数字图像数据
minist=input_data.read_data_sets('MNIST_data', one_hot=True)

#定义每个批次的大小
batch_size=200

#计算共有多少批次
enom=minist.train.num_examples//batch_size

#定义神经网络的输入数据placeholder
x_input=tf.placeholder(tf.float32, [None,784])
y_input=tf.placeholder(tf.float32, [None,10])

#定义神经网络
W_L1=tf.Variable(tf.zeros([784,10], tf.float32))
b_L1=tf.Variable(tf.zeros([10],tf.float32))
Wx_plus_b_L1=tf.matmul(x_input,W_L1)+b_L1
prediction=tf.nn.softmax(Wx_plus_b_L1)

#定义损失函数
loss=tf.reduce_mean(tf.square(prediction-y_input))
#定义优化器
optimizer=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#计算准确率
correct_prediction=tf.equal(tf.argmax(y_input,1), tf.argmax(prediction,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#初始化变量
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    
    for epoch in range(200):
        for step in range(enom):
            x_data,y_data=minist.train.next_batch(batch_size)
            sess.run(optimizer,feed_dict={x_input:x_data,y_input:y_data})
        print('批次：%f 准确率：%f'%(epoch+1,sess.run(accuracy,feed_dict={x_input:minist.test.images,y_input:minist.test.labels})))

 

#输出：
91%的准确率

改进后的代码：

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

#加载手写数字图像数据
minist=input_data.read_data_sets('MNIST_data', one_hot=True)

#定义每个批次的大小
batch_size=200

#计算共有多少批次
enom=minist.train.num_examples//batch_size

#定义神经网络的输入数据placeholder
x_input=tf.placeholder(tf.float32, [None,784])
y_input=tf.placeholder(tf.float32, [None,10])

#定义神经网络-中间层
W_L1=tf.Variable(tf.zeros([784,100], tf.float32))
b_L1=tf.Variable(tf.zeros([100],tf.float32))
Wx_plus_b_L1=tf.matmul(x_input,W_L1)+b_L1
# prediction=tf.nn.softmax(Wx_plus_b_L1)
L1=tf.nn.sigmoid(Wx_plus_b_L1)
droupout_L1=tf.nn.dropout(L1, 0.5)
#定义神经网络-输出层
W_L2=tf.Variable(tf.zeros([100,10], tf.float32))
b_L2=tf.Variable(tf.zeros([10],tf.float32))
Wx_plus_b_L2=tf.matmul(droupout_L1,W_L2)+b_L2
L2=tf.nn.sigmoid(Wx_plus_b_L2)
prediction=tf.nn.softmax(L2)

#定义损失函数
loss=tf.reduce_mean(tf.square(prediction-y_input))
#定义优化器
optimizer=tf.train.AdamOptimizer(1e-3)
grads_vars=optimizer.compute_gradients(loss)
train_op=optimizer.apply_gradients(grads_vars)
#计算准确率
correct_prediction=tf.equal(tf.argmax(y_input,1), tf.argmax(prediction,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#初始化变量
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    
    for epoch in range(1000):
        for step in range(enom):
            x_data,y_data=minist.train.next_batch(batch_size)
            sess.run(train_op,feed_dict={x_input:x_data,y_input:y_data})
        print('批次：%i 准确率：%f loss:%f'%(epoch+1,sess.run(accuracy,feed_dict={x_input:minist.test.images,y_input:minist.test.labels}),sess.run(loss,feed_dict={x_input:minist.test.images,y_input:minist.test.labels})))

经验：

 

1. 重新加入一层神经元后（还是梯度下降算法），准确率的提升非常慢，反倒不如单层神经网络，几乎不提升，且在20批次后出现过拟合现象，准确率下降非常明显
2. 改用Adam优化器，训练效果小幅上升，但也同样出现过拟合现象
3. 加入droupout层后，测试集的准确率提升非常明显，第一波训练完后，准确率达到89%