TensorFlow实战（四）

最新推荐文章于 2023-04-15 21:42:51 发布

cchangcs

最新推荐文章于 2023-04-15 21:42:51 发布

阅读量398

点赞数 1

分类专栏： Keras/TensorFlow/PyTorch学习与实战文章标签： TensorFlow实战

本文链接：https://blog.csdn.net/github_39611196/article/details/81223541

版权

Keras/TensorFlow/PyTorch学习与实战专栏收录该内容

61 篇文章 313 订阅 ¥19.90 ¥99.00

订阅专栏

本文介绍了使用TensorFlow进行手写数字识别的实战过程，探讨了传统神经网络的问题，如权值过大和样本需求量大，并讲解了卷积神经网络如何通过局部连接和权值共享解决这些问题。卷积核作为滤波器，不同卷积核产生不同的特征图。此外，还讨论了池化操作和padding方法。虽然没有GPU，但初步训练结果显示准确率较高。

摘要由CSDN通过智能技术生成

手写数字识别训练过程中修改识别率：

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)

# 每个批次的大小，一次性放入神经网络的数据数量，以矩阵的形式放入
# 批次优化
batch_size = 100
# batch_size = 100
# 计算一共有多少个批次 //是整除的意思
n_batch = mnist.train.num_examples // batch_size

# 定义两个placehlder,None指的是可以是任意的值，根据传入的批次进行确定
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
keep_prop = tf.placeholder(tf.float32)
lr = tf.Variable(0.001, dtype=tf.float32)
# 增加隐藏层---优化
# 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.

了解本专栏