import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据 mnist=input_data.read_data_sets('mnist_data',one_hot=True)#noe_hot把像素点都转变成0或1的形式 #每个批次的大小,训练模型时,一次放入一批次 batch_size=100 #一批次100张图 #计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size# //是整除,得到批次数 #定义两个placeholder x=tf.placeholder(tf.float32,[None,784])#建立一个占位符,None是图片数,784是每幅图的像素个数 y=tf.placeholder(tf.float32,[None,10])# 标签,建立一个占位符,10是指0-9十个数 #创建一个简单的神经网络,输入层784个神经元,输出层10个神经元,不设隐藏层 W=tf.Variable(tf.zeros([784,10]))#权值,设一个变量,置0 b=tf.Variable(tf.zeros([10]))#偏置值 prediction=tf.nn.softmax(tf.matmul(x,W)+b)#信号总和,经过softmax函数(激活函数)转化成概率值 #二次代价函数 #loss =tf.reduce_mean(tf.square(y-prediction)) #使用交叉熵代价函数 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #使用梯度下降法 train_step=tf.train.GradientD
python深度知识5,手写字分类实例改进,用交叉熵代价函数替代二次代价函数
最新推荐文章于 2022-12-13 22:04:06 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)