Tensorflow学习和应用(5)_MNIST数据集

最新推荐文章于 2021-03-09 13:08:22 发布

不知哪来的烦恼

最新推荐文章于 2021-03-09 13:08:22 发布

阅读量140

点赞数

文章标签： tensorflow

本文链接：https://blog.csdn.net/javascriptch/article/details/107287438

版权

本文介绍了使用TensorFlow对MNIST数据集进行训练的过程，包括改进批次大小、添加隐藏层、调整初始化方式、将二次代价函数替换为交叉熵损失，并详细展示了经过21次训练后的结果。

摘要由CSDN通过智能技术生成

代码

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(每次训练的图片数)
batch_size = 100

#计算一共有多少个批次
n_batch = mnist.train.num_examples 

#定义两个placeholder占位符
x = tf.placeholder(tf.float32,[None,784]) #None代表任何值，按批次传，这里的None为100 #28*28=784
y = tf.placeholder(tf.float32,[None,10]) #数字是0-9，所以标签数为10

#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
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#两种方法选取一种，第二种比第一种准确率会高一些
#交叉熵需要加上_v2，不然会警告
#二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
#交叉熵
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=prediction))

#以下优化方法二选一
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
train_step = tf.tra