手写数字案例

最新推荐文章于 2024-04-21 17:01:50 发布
最新推荐文章于 2024-04-21 17:01:50 发布
阅读量94 收藏
点赞数
分类专栏： 机器学习 文章标签： 1024程序员节
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lixiangohoh/article/details/120940442
版权
该代码实现了一个全连接层神经网络，用于MNIST手写数字识别任务。数据集加载后，通过训练模型，损失逐渐降低，准确率逐步提高，最终达到约95%的准确率。模型使用随机梯度下降优化器，损失函数为交叉熵，评估指标为准确率。
摘要由CSDN通过智能技术生成 
import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("./mnist_data/", one_hot=True)

Extracting ./mnist_data/train-images-idx3-ubyte.gz
Extracting ./mnist_data/train-labels-idx1-ubyte.gz
Extracting ./mnist_data/t10k-images-idx3-ubyte.gz
Extracting ./mnist_data/t10k-labels-idx1-ubyte.gz

mnist.train.next_batch(1)#看下一个样本，这是图片样本的特征值数据

(array([[ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.50196081,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          0.50196081,  0.50196081,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          0.74901962,  0.25098041,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.50196081,  1.        ,  1.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  0.74901962,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.74901962,  1.        ,  1.        ,  1.        ,  1.        ,
          0.50196081,  0.50196081,  0.50196081,  0.        ,  0.        ,
          0.74901962,  1.        ,  0.74901962,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.50196081,  1.        ,
          1.        ,  0.50196081,  0.25098041,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.74901962,  1.        ,
          0.74901962,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.50196081,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.25098041,  1.        ,  1.        ,  0.50196081,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.50196081,  1.        ,  1.        ,
          1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.25098041,
          1.        ,  1.        ,  0.74901962,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.25098041,  0.50196081,
          0.50196081,  0.74901962,  1.        ,  1.        ,  0.74901962,
          0.25098041,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          1.        ,  0.74901962,  0.25098041,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.25098041,  0.25098041,  0.50196081,  0.25098041,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.74901962,
          1.        ,  1.        ,  1.        ,  1.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.74901962,  1.        ,  1.        ,
          1.        ,  0.50196081,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.25098041,  0.74901962,  1.        ,
          1.        ,  1.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          1.        ,  1.        ,  1.        ,  0.74901962,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.25098041,  1.        ,  1.        ,  1.        ,
          0.50196081,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  1.        ,  1.        ,
          1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.25098041,  0.74901962,  1.        ,
          1.        ,  1.        ,  1.        ,  0.25098041,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.50196081,  1.        ,  1.        ,  1.        ,
          1.        ,  0.50196081,  0.50196081,  0.50196081,  0.74901962,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          0.74901962,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.25098041,  0.74901962,  1.        ,  1.        ,  1.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          1.        ,  1.        ,  0.74901962,  0.25098041,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.25098041,
          1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
          1.        ,  1.        ,  1.        ,  1.        ,  0.50196081,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.25098041,  0.50196081,
          0.74901962,  1.        ,  1.        ,  1.        ,  1.        ,
          0.50196081,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
          0.        ,  0.        ,  0.        ,  0.        ]], dtype=float32),
 array([[ 0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.]]))

mnist.train.images[0]


array([ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.50196081,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        0.50196081,  0.50196081,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        0.74901962,  0.25098041,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.50196081,  1.        ,  1.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  0.74901962,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.74901962,  1.        ,  1.        ,  1.        ,  1.        ,
        0.50196081,  0.50196081,  0.50196081,  0.        ,  0.        ,
        0.74901962,  1.        ,  0.74901962,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.50196081,  1.        ,
        1.        ,  0.50196081,  0.25098041,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.74901962,  1.        ,
        0.74901962,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.50196081,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.25098041,  1.        ,  1.        ,  0.50196081,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.50196081,  1.        ,  1.        ,
        1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.25098041,
        1.        ,  1.        ,  0.74901962,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.25098041,  0.50196081,
        0.50196081,  0.74901962,  1.        ,  1.        ,  0.74901962,
        0.25098041,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        1.        ,  0.74901962,  0.25098041,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.25098041,  0.25098041,  0.50196081,  0.25098041,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.74901962,
        1.        ,  1.        ,  1.        ,  1.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.74901962,  1.        ,  1.        ,
        1.        ,  0.50196081,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.25098041,  0.74901962,  1.        ,
        1.        ,  1.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        1.        ,  1.        ,  1.        ,  0.74901962,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.25098041,  1.        ,  1.        ,  1.        ,
        0.50196081,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  1.        ,  1.        ,
        1.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.25098041,  0.74901962,  1.        ,
        1.        ,  1.        ,  1.        ,  0.25098041,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.50196081,  1.        ,  1.        ,  1.        ,
        1.        ,  0.50196081,  0.50196081,  0.50196081,  0.74901962,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        0.74901962,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.25098041,  0.74901962,  1.        ,  1.        ,  1.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        1.        ,  1.        ,  0.74901962,  0.25098041,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.25098041,
        1.        ,  1.        ,  1.        ,  1.        ,  1.        ,
        1.        ,  1.        ,  1.        ,  1.        ,  0.50196081,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.25098041,  0.50196081,
        0.74901962,  1.        ,  1.        ,  1.        ,  1.        ,
        0.50196081,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ], dtype=float32)

mnist.train.labels[1]

array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  0.])

设计的是全连接层网络

 def full_connection():
        """用全连接来对手写数字进行识别"""
        #1、准备数据
        mnist = input_data.read_data_sets("./mnist_data/", one_hot=True)
        x = tf.placeholder(dtype=tf.float32, shape=[None,784])
        y_true = tf.placeholder(dtype=tf.float32, shape=[None,10])
        
        #2、构建模型
        Weights = tf.Variable(initial_value=tf.random_normal(shape=[784,10]))
        bias = tf.Variable(initial_value=tf.random_normal(shape=[10]))#写形状需要用【】
        y_predict = tf.matmul(x,Weights) + bias
        
        #3、构造损失函数
        error = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict ))
        #4、优化损失
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(error)
        #5、准确率计算
        equal_list = tf.equal(tf.argmax(y_true,1),tf.argmax(y_predict,1))
        #2)求平均
        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))
        
        #初始化变量
        init = tf.global_variables_initializer()
        #开启会话
        with tf.Session() as sess:
            sess.run(init)
            image, label = mnist.train.next_batch(100)
            
            print("训练之前损失%f"% sess.run(error,feed_dict={x:image,y_true:label}))
            #开始训练
            for i in range(500):
                _, loss, accuracy_value = sess.run([optimizer,error,accuracy], feed_dict={x:image, y_true:label})
                print("第%d次的训练，损失为%f,准确率为%f"%(i+1, loss, accuracy_value))
        
        return None

full_connection()

Extracting ./mnist_data/train-images-idx3-ubyte.gz
Extracting ./mnist_data/train-labels-idx1-ubyte.gz
Extracting ./mnist_data/t10k-images-idx3-ubyte.gz
Extracting ./mnist_data/t10k-labels-idx1-ubyte.gz
训练之前损失15.605354
第1次的训练，损失为15.605354,准确率为0.110000
第2次的训练，损失为14.266719,准确率为0.140000
第3次的训练，损失为13.258327,准确率为0.170000
第4次的训练，损失为12.408836,准确率为0.160000
第5次的训练，损失为11.665818,准确率为0.170000
第6次的训练，损失为11.006165,准确率为0.160000
第7次的训练，损失为10.429124,准确率为0.160000
第8次的训练，损失为9.931923,准确率为0.150000
第9次的训练，损失为9.496094,准确率为0.150000
第10次的训练，损失为9.108095,准确率为0.170000
第11次的训练，损失为8.757628,准确率为0.170000
第12次的训练，损失为8.438437,准确率为0.170000
第13次的训练，损失为8.146326,准确率为0.170000
第14次的训练，损失为7.879182,准确率为0.160000
第15次的训练，损失为7.636702,准确率为0.170000
第16次的训练，损失为7.417398,准确率为0.170000
第17次的训练，损失为7.218122,准确率为0.170000
第18次的训练，损失为7.036028,准确率为0.190000
第19次的训练，损失为6.867722,准确率为0.200000
第20次的训练，损失为6.709404,准确率为0.210000
第21次的训练，损失为6.558474,准确率为0.210000
第22次的训练，损失为6.413493,准确率为0.210000
第23次的训练，损失为6.273643,准确率为0.220000
第24次的训练，损失为6.138385,准确率为0.220000
第25次的训练，损失为6.007315,准确率为0.230000
第26次的训练，损失为5.880095,准确率为0.250000
第27次的训练，损失为5.756420,准确率为0.260000
第28次的训练，损失为5.636020,准确率为0.260000
第29次的训练，损失为5.518654,准确率为0.260000
第30次的训练，损失为5.404126,准确率为0.260000
第31次的训练，损失为5.292279,准确率为0.250000
第32次的训练，损失为5.182997,准确率为0.250000
第33次的训练，损失为5.076199,准确率为0.250000
第34次的训练，损失为4.971828,准确率为0.270000
第35次的训练，损失为4.869853,准确率为0.280000
第36次的训练，损失为4.770257,准确率为0.280000
第37次的训练，损失为4.673038,准确率为0.280000
第38次的训练，损失为4.578215,准确率为0.290000
第39次的训练，损失为4.485815,准确率为0.290000
第40次的训练，损失为4.395867,准确率为0.290000
第41次的训练，损失为4.308386,准确率为0.290000
第42次的训练，损失为4.223351,准确率为0.300000
第43次的训练，损失为4.140703,准确率为0.300000
第44次的训练，损失为4.060349,准确率为0.310000
第45次的训练，损失为3.982180,准确率为0.310000
第46次的训练，损失为3.906081,准确率为0.310000
第47次的训练，损失为3.831945,准确率为0.310000
第48次的训练，损失为3.759679,准确率为0.310000
第49次的训练，损失为3.689197,准确率为0.330000
第50次的训练，损失为3.620426,准确率为0.340000
第51次的训练，损失为3.553303,准确率为0.350000
第52次的训练，损失为3.487770,准确率为0.350000
第53次的训练，损失为3.423779,准确率为0.350000
第54次的训练，损失为3.361286,准确率为0.350000
第55次的训练，损失为3.300247,准确率为0.360000
第56次的训练，损失为3.240627,准确率为0.360000
第57次的训练，损失为3.182389,准确率为0.360000
第58次的训练，损失为3.125500,准确率为0.380000
第59次的训练，损失为3.069927,准确率为0.400000
第60次的训练，损失为3.015639,准确率为0.400000
第61次的训练，损失为2.962603,准确率为0.420000
第62次的训练，损失为2.910785,准确率为0.430000
第63次的训练，损失为2.860156,准确率为0.430000
第64次的训练，损失为2.810680,准确率为0.430000
第65次的训练，损失为2.762327,准确率为0.430000
第66次的训练，损失为2.715064,准确率为0.450000
第67次的训练，损失为2.668858,准确率为0.460000
第68次的训练，损失为2.623677,准确率为0.490000
第69次的训练，损失为2.579491,准确率为0.490000
第70次的训练，损失为2.536267,准确率为0.490000
第71次的训练，损失为2.493979,准确率为0.500000
第72次的训练，损失为2.452596,准确率为0.500000
第73次的训练，损失为2.412094,准确率为0.500000
第74次的训练，损失为2.372447,准确率为0.510000
第75次的训练，损失为2.333632,准确率为0.520000
第76次的训练，损失为2.295625,准确率为0.530000
第77次的训练，损失为2.258410,准确率为0.530000
第78次的训练，损失为2.221963,准确率为0.560000
第79次的训练，损失为2.186269,准确率为0.560000
第80次的训练，损失为2.151310,准确率为0.570000
第81次的训练，损失为2.117069,准确率为0.580000
第82次的训练，损失为2.083532,准确率为0.580000
第83次的训练，损失为2.050683,准确率为0.590000
第84次的训练，损失为2.018507,准确率为0.590000
第85次的训练，损失为1.986989,准确率为0.590000
第86次的训练，损失为1.956114,准确率为0.600000
第87次的训练，损失为1.925866,准确率为0.600000
第88次的训练，损失为1.896232,准确率为0.600000
第89次的训练，损失为1.867195,准确率为0.600000
第90次的训练，损失为1.838739,准确率为0.600000
第91次的训练，损失为1.810849,准确率为0.600000
第92次的训练，损失为1.783509,准确率为0.600000
第93次的训练，损失为1.756704,准确率为0.600000
第94次的训练，损失为1.730418,准确率为0.600000
第95次的训练，损失为1.704634,准确率为0.610000
第96次的训练，损失为1.679339,准确率为0.610000
第97次的训练，损失为1.654516,准确率为0.610000
第98次的训练，损失为1.630152,准确率为0.630000
第99次的训练，损失为1.606231,准确率为0.630000
第100次的训练，损失为1.582740,准确率为0.630000
第101次的训练，损失为1.559666,准确率为0.630000
第102次的训练，损失为1.536996,准确率为0.630000
第103次的训练，损失为1.514715,准确率为0.630000
第104次的训练，损失为1.492813,准确率为0.640000
第105次的训练，损失为1.471279,准确率为0.640000
第106次的训练，损失为1.450099,准确率为0.670000
第107次的训练，损失为1.429265,准确率为0.670000
第108次的训练，损失为1.408765,准确率为0.670000
第109次的训练，损失为1.388590,准确率为0.680000
第110次的训练，损失为1.368730,准确率为0.680000
第111次的训练，损失为1.349177,准确率为0.680000
第112次的训练，损失为1.329921,准确率为0.680000
第113次的训练，损失为1.310956,准确率为0.690000
第114次的训练，损失为1.292274,准确率为0.690000
第115次的训练，损失为1.273867,准确率为0.690000
第116次的训练，损失为1.255730,准确率为0.690000
第117次的训练，损失为1.237854,准确率为0.690000
第118次的训练，损失为1.220236,准确率为0.690000
第119次的训练，损失为1.202869,准确率为0.700000
第120次的训练，损失为1.185748,准确率为0.700000
第121次的训练，损失为1.168869,准确率为0.700000
第122次的训练，损失为1.152228,准确率为0.710000
第123次的训练，损失为1.135820,准确率为0.710000
第124次的训练，损失为1.119641,准确率为0.710000
第125次的训练，损失为1.103689,准确率为0.710000
第126次的训练，损失为1.087960,准确率为0.710000
第127次的训练，损失为1.072451,准确率为0.730000
第128次的训练，损失为1.057160,准确率为0.730000
第129次的训练，损失为1.042083,准确率为0.740000
第130次的训练，损失为1.027219,准确率为0.750000
第131次的训练，损失为1.012564,准确率为0.750000
第132次的训练，损失为0.998118,准确率为0.750000
第133次的训练，损失为0.983876,准确率为0.750000
第134次的训练，损失为0.969838,准确率为0.760000
第135次的训练，损失为0.956000,准确率为0.760000
第136次的训练，损失为0.942362,准确率为0.760000
第137次的训练，损失为0.928919,准确率为0.760000
第138次的训练，损失为0.915670,准确率为0.760000
第139次的训练，损失为0.902612,准确率为0.780000
第140次的训练，损失为0.889744,准确率为0.780000
第141次的训练，损失为0.877063,准确率为0.790000
第142次的训练，损失为0.864566,准确率为0.800000
第143次的训练，损失为0.852251,准确率为0.800000
第144次的训练，损失为0.840116,准确率为0.800000
第145次的训练，损失为0.828158,准确率为0.800000
第146次的训练，损失为0.816376,准确率为0.800000
第147次的训练，损失为0.804766,准确率为0.800000
第148次的训练，损失为0.793327,准确率为0.800000
第149次的训练，损失为0.782056,准确率为0.800000
第150次的训练，损失为0.770952,准确率为0.800000
第151次的训练，损失为0.760013,准确率为0.810000
第152次的训练，损失为0.749237,准确率为0.830000
第153次的训练，损失为0.738620,准确率为0.830000
第154次的训练，损失为0.728163,准确率为0.830000
第155次的训练，损失为0.717863,准确率为0.830000
第156次的训练，损失为0.707718,准确率为0.830000
第157次的训练，损失为0.697726,准确率为0.830000
第158次的训练，损失为0.687885,准确率为0.830000
第159次的训练，损失为0.678193,准确率为0.830000
第160次的训练，损失为0.668649,准确率为0.830000
第161次的训练，损失为0.659251,准确率为0.830000
第162次的训练，损失为0.649996,准确率为0.840000
第163次的训练，损失为0.640882,准确率为0.850000
第164次的训练，损失为0.631908,准确率为0.850000
第165次的训练，损失为0.623072,准确率为0.850000
第166次的训练，损失为0.614371,准确率为0.860000
第167次的训练，损失为0.605804,准确率为0.860000
第168次的训练，损失为0.597369,准确率为0.860000
第169次的训练，损失为0.589063,准确率为0.870000
第170次的训练，损失为0.580885,准确率为0.870000
第171次的训练，损失为0.572832,准确率为0.870000
第172次的训练，损失为0.564903,准确率为0.870000
第173次的训练，损失为0.557095,准确率为0.880000
第174次的训练，损失为0.549408,准确率为0.890000
第175次的训练，损失为0.541838,准确率为0.890000
第176次的训练，损失为0.534384,准确率为0.890000
第177次的训练，损失为0.527044,准确率为0.890000
第178次的训练，损失为0.519817,准确率为0.890000
第179次的训练，损失为0.512700,准确率为0.890000
第180次的训练，损失为0.505691,准确率为0.900000
第181次的训练，损失为0.498790,准确率为0.900000
第182次的训练，损失为0.491994,准确率为0.900000
第183次的训练，损失为0.485301,准确率为0.900000
第184次的训练，损失为0.478710,准确率为0.910000
第185次的训练，损失为0.472219,准确率为0.920000
第186次的训练，损失为0.465826,准确率为0.920000
第187次的训练，损失为0.459530,准确率为0.920000
第188次的训练，损失为0.453330,准确率为0.920000
第189次的训练，损失为0.447222,准确率为0.920000
第190次的训练，损失为0.441207,准确率为0.920000
第191次的训练，损失为0.435282,准确率为0.920000
第192次的训练，损失为0.429445,准确率为0.920000
第193次的训练，损失为0.423696,准确率为0.920000
第194次的训练，损失为0.418032,准确率为0.930000
第195次的训练，损失为0.412453,准确率为0.930000
第196次的训练，损失为0.406956,准确率为0.930000
第197次的训练，损失为0.401541,准确率为0.930000
第198次的训练，损失为0.396206,准确率为0.930000
第199次的训练，损失为0.390949,准确率为0.930000
第200次的训练，损失为0.385769,准确率为0.930000
第201次的训练，损失为0.380666,准确率为0.930000
第202次的训练，损失为0.375637,准确率为0.930000
第203次的训练，损失为0.370681,准确率为0.930000
第204次的训练，损失为0.365798,准确率为0.940000
第205次的训练，损失为0.360986,准确率为0.940000
第206次的训练，损失为0.356244,准确率为0.940000
第207次的训练，损失为0.351571,准确率为0.950000
第208次的训练，损失为0.346965,准确率为0.950000
第209次的训练，损失为0.342427,准确率为0.950000
第210次的训练，损失为0.337953,准确率为0.950000
第211次的训练，损失为0.333545,准确率为0.950000
第212次的训练，损失为0.329200,准确率为0.950000
第213次的训练，损失为0.324918,准确率为0.950000
第214次的训练，损失为0.320698,准确率为0.950000
第215次的训练，损失为0.316539,准确率为0.950000
第216次的训练，损失为0.312440,准确率为0.950000
第217次的训练，损失为0.308401,准确率为0.950000
第218次的训练，损失为0.304419,准确率为0.950000
第219次的训练，损失为0.300496,准确率为0.950000
第220次的训练，损失为0.296629,准确率为0.950000
第221次的训练，损失为0.292819,准确率为0.950000
第222次的训练，损失为0.289064,准确率为0.950000
第223次的训练，损失为0.285363,准确率为0.950000
第224次的训练，损失为0.281717,准确率为0.950000
第225次的训练，损失为0.278123,准确率为0.950000
第226次的训练，损失为0.274583,准确率为0.950000
第227次的训练，损失为0.271094,准确率为0.950000
第228次的训练，损失为0.267656,准确率为0.950000
第229次的训练，损失为0.264270,准确率为0.950000
第230次的训练，损失为0.260932,准确率为0.950000
第231次的训练，损失为0.257645,准确率为0.950000
第232次的训练，损失为0.254406,准确率为0.950000
第233次的训练，损失为0.251215,准确率为0.950000
第234次的训练，损失为0.248072,准确率为0.950000
第235次的训练，损失为0.244975,准确率为0.950000
第236次的训练，损失为0.241925,准确率为0.950000
第237次的训练，损失为0.238921,准确率为0.950000
第238次的训练，损失为0.235962,准确率为0.950000
第239次的训练，损失为0.233047,准确率为0.950000
第240次的训练，损失为0.230177,准确率为0.950000
第241次的训练，损失为0.227350,准确率为0.950000
第242次的训练，损失为0.224567,准确率为0.950000
第243次的训练，损失为0.221826,准确率为0.950000
第244次的训练，损失为0.219127,准确率为0.950000
第245次的训练，损失为0.216470,准确率为0.950000
第246次的训练，损失为0.213854,准确率为0.950000
第247次的训练，损失为0.211278,准确率为0.950000
第248次的训练，损失为0.208743,准确率为0.950000
第249次的训练，损失为0.206247,准确率为0.950000
第250次的训练，损失为0.203791,准确率为0.950000
第251次的训练，损失为0.201373,准确率为0.950000
第252次的训练，损失为0.198994,准确率为0.950000
第253次的训练，损失为0.196652,准确率为0.950000
第254次的训练，损失为0.194348,准确率为0.950000
第255次的训练，损失为0.192081,准确率为0.950000
第256次的训练，损失为0.189851,准确率为0.950000
第257次的训练，损失为0.187656,准确率为0.950000
第258次的训练，损失为0.185497,准确率为0.950000
第259次的训练，损失为0.183374,准确率为0.950000
第260次的训练，损失为0.181285,准确率为0.950000
第261次的训练，损失为0.179231,准确率为0.950000
第262次的训练，损失为0.177210,准确率为0.950000
第263次的训练，损失为0.175223,准确率为0.970000
第264次的训练，损失为0.173270,准确率为0.970000
第265次的训练，损失为0.171348,准确率为0.970000
第266次的训练，损失为0.169460,准确率为0.980000
第267次的训练，损失为0.167602,准确率为0.980000
第268次的训练，损失为0.165776,准确率为0.980000
第269次的训练，损失为0.163981,准确率为0.980000
第270次的训练，损失为0.162217,准确率为0.980000
第271次的训练，损失为0.160482,准确率为0.980000
第272次的训练，损失为0.158777,准确率为0.980000
第273次的训练，损失为0.157101,准确率为0.980000
第274次的训练，损失为0.155454,准确率为0.980000
第275次的训练，损失为0.153835,准确率为0.980000
第276次的训练，损失为0.152243,准确率为0.980000
第277次的训练，损失为0.150679,准确率为0.980000
第278次的训练，损失为0.149142,准确率为0.980000
第279次的训练，损失为0.147631,准确率为0.980000
第280次的训练，损失为0.146145,准确率为0.980000
第281次的训练，损失为0.144686,准确率为0.980000
第282次的训练，损失为0.143251,准确率为0.980000
第283次的训练，损失为0.141841,准确率为0.980000
第284次的训练，损失为0.140455,准确率为0.980000
第285次的训练，损失为0.139093,准确率为0.980000
第286次的训练，损失为0.137753,准确率为0.980000
第287次的训练，损失为0.136437,准确率为0.980000
第288次的训练，损失为0.135143,准确率为0.980000
第289次的训练，损失为0.133871,准确率为0.980000
第290次的训练，损失为0.132620,准确率为0.980000
第291次的训练，损失为0.131391,准确率为0.980000
第292次的训练，损失为0.130182,准确率为0.980000
第293次的训练，损失为0.128993,准确率为0.980000
第294次的训练，损失为0.127824,准确率为0.980000
第295次的训练，损失为0.126675,准确率为0.980000
第296次的训练，损失为0.125545,准确率为0.990000
第297次的训练，损失为0.124433,准确率为0.990000
第298次的训练，损失为0.123340,准确率为0.990000
第299次的训练，损失为0.122264,准确率为0.990000
第300次的训练，损失为0.121206,准确率为0.990000
第301次的训练，损失为0.120165,准确率为0.990000
第302次的训练，损失为0.119141,准确率为0.990000
第303次的训练，损失为0.118134,准确率为0.990000
第304次的训练，损失为0.117142,准确率为1.000000
第305次的训练，损失为0.116167,准确率为1.000000
第306次的训练，损失为0.115207,准确率为1.000000
第307次的训练，损失为0.114261,准确率为1.000000
第308次的训练，损失为0.113331,准确率为1.000000
第309次的训练，损失为0.112415,准确率为1.000000
第310次的训练，损失为0.111514,准确率为1.000000
第311次的训练，损失为0.110626,准确率为1.000000
第312次的训练，损失为0.109752,准确率为1.000000
第313次的训练，损失为0.108891,准确率为1.000000
第314次的训练，损失为0.108043,准确率为1.000000
第315次的训练，损失为0.107208,准确率为1.000000
第316次的训练，损失为0.106386,准确率为1.000000
第317次的训练，损失为0.105575,准确率为1.000000
第318次的训练，损失为0.104777,准确率为1.000000
第319次的训练，损失为0.103990,准确率为1.000000
第320次的训练，损失为0.103215,准确率为1.000000
第321次的训练，损失为0.102451,准确率为1.000000
第322次的训练，损失为0.101698,准确率为1.000000
第323次的训练，损失为0.100956,准确率为1.000000
第324次的训练，损失为0.100225,准确率为1.000000
第325次的训练，损失为0.099504,准确率为1.000000
第326次的训练，损失为0.098793,准确率为1.000000
第327次的训练，损失为0.098092,准确率为1.000000
第328次的训练，损失为0.097400,准确率为1.000000
第329次的训练，损失为0.096718,准确率为1.000000
第330次的训练，损失为0.096046,准确率为1.000000
第331次的训练，损失为0.095383,准确率为1.000000
第332次的训练，损失为0.094728,准确率为1.000000
第333次的训练，损失为0.094083,准确率为1.000000
第334次的训练，损失为0.093446,准确率为1.000000
第335次的训练，损失为0.092818,准确率为1.000000
第336次的训练，损失为0.092198,准确率为1.000000
第337次的训练，损失为0.091586,准确率为1.000000
第338次的训练，损失为0.090982,准确率为1.000000
第339次的训练，损失为0.090386,准确率为1.000000
第340次的训练，损失为0.089797,准确率为1.000000
第341次的训练，损失为0.089216,准确率为1.000000
第342次的训练，损失为0.088643,准确率为1.000000
第343次的训练，损失为0.088076,准确率为1.000000
第344次的训练，损失为0.087517,准确率为1.000000
第345次的训练，损失为0.086965,准确率为1.000000
第346次的训练，损失为0.086420,准确率为1.000000
第347次的训练，损失为0.085881,准确率为1.000000
第348次的训练，损失为0.085349,准确率为1.000000
第349次的训练，损失为0.084824,准确率为1.000000
第350次的训练，损失为0.084305,准确率为1.000000
第351次的训练，损失为0.083792,准确率为1.000000
第352次的训练，损失为0.083285,准确率为1.000000
第353次的训练，损失为0.082784,准确率为1.000000
第354次的训练，损失为0.082290,准确率为1.000000
第355次的训练，损失为0.081801,准确率为1.000000
第356次的训练，损失为0.081318,准确率为1.000000
第357次的训练，损失为0.080840,准确率为1.000000
第358次的训练，损失为0.080368,准确率为1.000000
第359次的训练，损失为0.079901,准确率为1.000000
第360次的训练，损失为0.079440,准确率为1.000000
第361次的训练，损失为0.078984,准确率为1.000000
第362次的训练，损失为0.078533,准确率为1.000000
第363次的训练，损失为0.078087,准确率为1.000000
第364次的训练，损失为0.077646,准确率为1.000000
第365次的训练，损失为0.077210,准确率为1.000000
第366次的训练，损失为0.076779,准确率为1.000000
第367次的训练，损失为0.076353,准确率为1.000000
第368次的训练，损失为0.075931,准确率为1.000000
第369次的训练，损失为0.075514,准确率为1.000000
第370次的训练，损失为0.075102,准确率为1.000000
第371次的训练，损失为0.074693,准确率为1.000000
第372次的训练，损失为0.074290,准确率为1.000000
第373次的训练，损失为0.073890,准确率为1.000000
第374次的训练，损失为0.073495,准确率为1.000000
第375次的训练，损失为0.073104,准确率为1.000000
第376次的训练，损失为0.072717,准确率为1.000000
第377次的训练，损失为0.072334,准确率为1.000000
第378次的训练，损失为0.071955,准确率为1.000000
第379次的训练，损失为0.071580,准确率为1.000000
第380次的训练，损失为0.071208,准确率为1.000000
第381次的训练，损失为0.070841,准确率为1.000000
第382次的训练，损失为0.070477,准确率为1.000000
第383次的训练，损失为0.070117,准确率为1.000000
第384次的训练，损失为0.069761,准确率为1.000000
第385次的训练，损失为0.069408,准确率为1.000000
第386次的训练，损失为0.069059,准确率为1.000000
第387次的训练，损失为0.068713,准确率为1.000000
第388次的训练，损失为0.068371,准确率为1.000000
第389次的训练，损失为0.068031,准确率为1.000000
第390次的训练，损失为0.067696,准确率为1.000000
第391次的训练，损失为0.067363,准确率为1.000000
第392次的训练，损失为0.067034,准确率为1.000000
第393次的训练，损失为0.066708,准确率为1.000000
第394次的训练，损失为0.066385,准确率为1.000000
第395次的训练，损失为0.066065,准确率为1.000000
第396次的训练，损失为0.065748,准确率为1.000000
第397次的训练，损失为0.065434,准确率为1.000000
第398次的训练，损失为0.065123,准确率为1.000000
第399次的训练，损失为0.064815,准确率为1.000000
第400次的训练，损失为0.064510,准确率为1.000000
第401次的训练，损失为0.064208,准确率为1.000000
第402次的训练，损失为0.063908,准确率为1.000000
第403次的训练，损失为0.063612,准确率为1.000000
第404次的训练，损失为0.063318,准确率为1.000000
第405次的训练，损失为0.063026,准确率为1.000000
第406次的训练，损失为0.062738,准确率为1.000000
第407次的训练，损失为0.062451,准确率为1.000000
第408次的训练，损失为0.062168,准确率为1.000000
第409次的训练，损失为0.061887,准确率为1.000000
第410次的训练，损失为0.061608,准确率为1.000000
第411次的训练，损失为0.061332,准确率为1.000000
第412次的训练，损失为0.061059,准确率为1.000000
第413次的训练，损失为0.060788,准确率为1.000000
第414次的训练，损失为0.060519,准确率为1.000000
第415次的训练，损失为0.060252,准确率为1.000000
第416次的训练，损失为0.059988,准确率为1.000000
第417次的训练，损失为0.059726,准确率为1.000000
第418次的训练，损失为0.059467,准确率为1.000000
第419次的训练，损失为0.059209,准确率为1.000000
第420次的训练，损失为0.058954,准确率为1.000000
第421次的训练，损失为0.058701,准确率为1.000000
第422次的训练，损失为0.058450,准确率为1.000000
第423次的训练，损失为0.058202,准确率为1.000000
第424次的训练，损失为0.057955,准确率为1.000000
第425次的训练，损失为0.057710,准确率为1.000000
第426次的训练，损失为0.057468,准确率为1.000000
第427次的训练，损失为0.057227,准确率为1.000000
第428次的训练，损失为0.056988,准确率为1.000000
第429次的训练，损失为0.056752,准确率为1.000000
第430次的训练，损失为0.056517,准确率为1.000000
第431次的训练，损失为0.056284,准确率为1.000000
第432次的训练，损失为0.056054,准确率为1.000000
第433次的训练，损失为0.055825,准确率为1.000000
第434次的训练，损失为0.055597,准确率为1.000000
第435次的训练，损失为0.055372,准确率为1.000000
第436次的训练，损失为0.055149,准确率为1.000000
第437次的训练，损失为0.054927,准确率为1.000000
第438次的训练，损失为0.054707,准确率为1.000000
第439次的训练，损失为0.054489,准确率为1.000000
第440次的训练，损失为0.054272,准确率为1.000000
第441次的训练，损失为0.054057,准确率为1.000000
第442次的训练，损失为0.053844,准确率为1.000000
第443次的训练，损失为0.053633,准确率为1.000000
第444次的训练，损失为0.053423,准确率为1.000000
第445次的训练，损失为0.053215,准确率为1.000000
第446次的训练，损失为0.053008,准确率为1.000000
第447次的训练，损失为0.052803,准确率为1.000000
第448次的训练，损失为0.052600,准确率为1.000000
第449次的训练，损失为0.052398,准确率为1.000000
第450次的训练，损失为0.052197,准确率为1.000000
第451次的训练，损失为0.051998,准确率为1.000000
第452次的训练，损失为0.051801,准确率为1.000000
第453次的训练，损失为0.051605,准确率为1.000000
第454次的训练，损失为0.051411,准确率为1.000000
第455次的训练，损失为0.051218,准确率为1.000000
第456次的训练，损失为0.051026,准确率为1.000000
第457次的训练，损失为0.050836,准确率为1.000000
第458次的训练，损失为0.050647,准确率为1.000000
第459次的训练，损失为0.050460,准确率为1.000000
第460次的训练，损失为0.050274,准确率为1.000000
第461次的训练，损失为0.050090,准确率为1.000000
第462次的训练，损失为0.049906,准确率为1.000000
第463次的训练，损失为0.049724,准确率为1.000000
第464次的训练，损失为0.049544,准确率为1.000000
第465次的训练，损失为0.049364,准确率为1.000000
第466次的训练，损失为0.049186,准确率为1.000000
第467次的训练，损失为0.049010,准确率为1.000000
第468次的训练，损失为0.048834,准确率为1.000000
第469次的训练，损失为0.048660,准确率为1.000000
第470次的训练，损失为0.048487,准确率为1.000000
第471次的训练，损失为0.048315,准确率为1.000000
第472次的训练，损失为0.048144,准确率为1.000000
第473次的训练，损失为0.047975,准确率为1.000000
第474次的训练，损失为0.047807,准确率为1.000000
第475次的训练，损失为0.047639,准确率为1.000000
第476次的训练，损失为0.047474,准确率为1.000000
第477次的训练，损失为0.047309,准确率为1.000000
第478次的训练，损失为0.047145,准确率为1.000000
第479次的训练，损失为0.046983,准确率为1.000000
第480次的训练，损失为0.046821,准确率为1.000000
第481次的训练，损失为0.046661,准确率为1.000000
第482次的训练，损失为0.046502,准确率为1.000000
第483次的训练，损失为0.046344,准确率为1.000000
第484次的训练，损失为0.046186,准确率为1.000000
第485次的训练，损失为0.046030,准确率为1.000000
第486次的训练，损失为0.045875,准确率为1.000000
第487次的训练，损失为0.045721,准确率为1.000000
第488次的训练，损失为0.045569,准确率为1.000000
第489次的训练，损失为0.045417,准确率为1.000000
第490次的训练，损失为0.045266,准确率为1.000000
第491次的训练，损失为0.045116,准确率为1.000000
第492次的训练，损失为0.044967,准确率为1.000000
第493次的训练，损失为0.044819,准确率为1.000000
第494次的训练，损失为0.044672,准确率为1.000000
第495次的训练，损失为0.044526,准确率为1.000000
第496次的训练，损失为0.044381,准确率为1.000000
第497次的训练，损失为0.044237,准确率为1.000000
第498次的训练，损失为0.044093,准确率为1.000000
第499次的训练，损失为0.043951,准确率为1.000000
第500次的训练，损失为0.043810,准确率为1.000000

准准确率的计算方法
1）比较输出的结果最大值和真实值的最大值所在位置
np.argmax()返回最大值所在位置
y_truw的形状是（None，10）
equal_list = tf.equal(tf.argmax(y_true,1),)这里是bool类型
tf.argmax(y_predict,1)
accuacy = tf.reduce_me(tf.cast(equal_list,tf.float32)）#将布尔型转化为浮点类型，并且求平均值

2）求平均

self.键盘上的钢琴师.LX
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
手写面板实例
qq_35431229的博客
08-09 645
今天公司有一个需求，就是需要我添加一个可以手写的界面，完成手写输入之后，保存输入的信息。首先，我们肯定会想到Android系统提供的组件中有没有这个widgets。 反正我是没有找到，所以我参考了同事之前写过的相似的功能，发现他们使用的是一个自定义view，就是说我们在自定义view中输入签名等。通过百度搜索我们可以找到很多内容基本差不多的。所以这是我自己实践的记录，方便以后回顾和帮助小白吧。下
matlab实现手写数字识别案例,Matlab手写数字识别
weixin_28802499的博客
03-18 1346
【实例简介】利用matlab制作的手写数字识别系统、代码可读性强，结构清晰、GUI运行界面、在Matlab R2014b下编辑完成，有手写版，也可导入图片识别。【实例截图】【核心代码】gui友好界面之手写数字识别matlab└── gui友好界面之手写数字识别matlab├── clearaxes_callback.m├── Digital_Ident2.m├── Digital_Identifi...
详细：tensorflow构建神经网络基础概念梳理
sunny
10-19 1080
1#：placeholder x = tf.compat.v1.placeholder(tf.float32, shape=[None, w, h, c], name='x') y_ = tf.compat.v1.placeholder(tf.int32, shape=[None, ], name='y_') placeholder函数定义如下： tf.placeholder(dtype, shape=None, name=None)，placeholder是占位符，在tensorflow中类似.
tensorflow中遇到的报错问题及可能解决办法（一）
Anastasia_li的博客
10-17 1096
在学习深度学习的过程中，遇到一些报错，今天整理了3个 1.第1个 在运行sess.run(merged)中，因为merged中包含placeholder，所以在运行时，必须要用feed_dict将变量补充上 即 summary = sess.run(merged,feed_dict={x:image,y_true:label}) 2.第二个 在迭代优化器过程中，运行结果的名字和放进去的参数的名字不能相同，不然就相当于赋值，会将结果在下一轮进行迭代，然后产生报错 解决办法：修改变量名 _,loss,ac
手写数字识别的实现（案例）
热门推荐
qq_41581769的博客
05-30 5万+
1.概念介绍：图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。 图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。手写识别是常见的图像识别任务。计算机通过手写体图片来识别出图片中的字，与印刷字体不同的是，不同人的手写体风...
【ML-SVM案例学习】svm实现手写数字识别
DeepLearning_的博客
11-22 1806
【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现svm实现手写数字识别。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了svm实现手写数字识别，仅供参考学习。
在OpenCV里手写数字案例1
大坡3D软件开发
11-27 458
前面学习过SVM来识别手写数字，这次要从自己拍摄的照片来进行识别，这样就会增加了许多流程，比如怎么样把照片里的数字进行分割，怎么样进行调整大小，怎么样计算HOG等等。 现在就来实现把下面的图片进行拆分： 目标是把上面的数字分拆成一个一个的数字图片，如下图： 这个过程是怎么样实现的呢？这需要先使用cvtColor函数从彩色图片转换为灰度图片，接着使用GaussianBlur来进行高斯平...
卷积神经网络CNN手写数字识别案例
weixin_47256446的博客
04-21 1390
变量initial value=random normal(shape=[F，F，3/1，K])变量initial value=random normal(shape=[F，F，3/1，K])卷积：32个filter、大小5*5、strides = 1、padding = "SAME"根据公式计算输出形状：[None，14，14，32]输入形状：[None，28，28，32][None，28，28，32] ----通道数变为32。[None，14，14，64] ----通道数变为64。
案例1——手写数字识别
qq_41095707的博客
08-08 426
一. MNIST数据集 如图3-24，MNIST手写数字图像集是由0到9的数字图像构成。训练图像有6万张（用于学习），测试图像有1万张（用于推理）。 MNIST的图像数据是28像素X28像素的灰度图像，各像素的取值在0到255之间。每个图像数据都相应标有“7”，“2”，“1”等标签 1、读入MNIST数据集 书中提供的mnist.py脚本（dataset目录下），提供了从下载MNIST数据集到将这些数据转换乘NumPy数组等处理。 1）sys、os模块 Deep Learning fr.
对抗生成网络GAN系列——GAN原理及手写数字生成小案例
秃头小苏的博客
07-17 3420
其实关于GAN的讲解我早就做过一期，点击☞☞☞了解详情🌱🌱🌱由于最近会用到GAN的一些知识，自己又对GAN进行了一些整理，有了一些新的认识，便写了这篇文章。那么这篇文章和早期的文章有什么区别呢？首先，早期的文章只是对GAN做了一个大概的认识，而这篇文章会贴合论文较为详细的讲解GAN网络；其次，这次我准备写一个GAN系列，介绍一些经典的GAN网络，所以这篇文章和后面打算写的文章关联性更强。【注这里先来简单的介绍一下GAN，其完整的名称为。其实这个起名还有个小故事，我简要的说一下，大家随便听听，就当放松了。..
手写数字识别案例_python_手写数字识别_
10-03
本案例将深入探讨如何使用Python语言进行手写数字识别，特别是通过一个名为MNIST的数据集来实现这一目标。 MNIST数据集是一个广泛用于训练和测试机器学习模型的基准，它包含了60,000个训练样本和10,000个测试样本的...
基于PyTorch的手写数字识别案例实例代码
03-29
在这个案例中，我们将利用MNIST数据集，这是一个广泛用于训练手写数字识别模型的标准数据集，包含60,000个训练样本和10,000个测试样本。 首先，我们需要导入必要的库，包括PyTorch、numpy和torchvision。...
tensorflow手写数字识别python源码案例
12-28
tensorflow手写数字识别python源码官网案例，带详细注释，适合刚初学tensorflow的mnist数据集训练识别， 相关链接： 手写数字识别 ----在已经训练好的数据上根据28*28的图片获取识别概率（基于Tensorflow,Python） ...
手写数字识别案例数据集及demo源码
05-17
手写数字识别案例数据集及demo源码
案例01@手写数字识别.zip
08-18
手写数字识别是一种计算机视觉技术，它涉及到图像处理、机器学习和深度学习等多个领域的知识。在本案例中，我们将探讨如何使用Python编程语言以及相关的库，如OpenCV、PIL和TensorFlow等，来实现这一功能，特别是...
微信小程序设计淘宝客导购小程序 pangolin_tbk 2.0.8安装更新一体包源代码+部署教程完美运行版.7z
最新发布
08-11
经导师精心指导并认可、获 98 分的毕业设计项目！【项目资源】：微信小程序。【项目说明】：聚焦计算机相关专业毕设及实战操练，可作课程设计与期末大作业，含全部源码，能直用于毕设，经严格调试，运行有保障！【项目服务】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 经导师精心指导并认可、获 98 分的毕业设计项目！【项目资源】：微信小程序。【项目说明】：聚焦计算机相关专业毕设及实战操练，可作课程设计与期末大作业，含全部源码，能直用于毕设，经严格调试，运行有保障！【项目服务】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 经导师精心指导并认可、获 98 分的毕业设计项目！【项目资源】：微信小程序。【项目说明】：聚焦计算机相关专业毕设及实战操练，可作课程设计与期末大作业，含全部源码，能直用于毕设，经严格调试，运行有保障！【项目服务】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 经导师精心指导并认可、获 98 分的毕业设计项目！【项目资源】：微信小程序。【项目说明】：聚焦计算机相关专业毕设及实战操练，可作课程设计与期末大作业，含全部源码，能直用于毕设，经严格调试，运行有保障！【项目服务】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。
光伏风电出力预测（Prediction of PV power and wind power oiutputs）+源代码+说明
08-11
<项目介绍> - python、Sk-learn、概率预测、光伏出力、风电出力 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 --------
智慧景区综合解决方案.docx
08-11
智慧景区综合解决方案.docx
mediapipe-0.8.8.1-cp37-cp37m-win_amd64.whl
08-11
mediapipe-0.8.8.1-cp37-cp37m-win_amd64.whl
yolov8手写数字分类案例
02-04
Yolov8手写数字分类案例是一个使用Yolov8算法来识别和分类手写数字的实际应用案例。Yolov8是一种基于深度学习的物体检测算法，其可以实现快速高效地检测和分类不同类型的物体。 在手写数字分类案例中，首先需要准备...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

self.键盘上的钢琴师.LX

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值