基于Tensorflow全连接神经BP网络~MINST手写数字识别

AI街潜水的八角

已于 2023-06-05 19:11:48 修改

阅读量371

点赞数

分类专栏： tensorflow小demo 文章标签： tensorflow 神经网络

于 2023-06-05 19:01:36 首次发布

本文链接：https://blog.csdn.net/m0_59023219/article/details/117752234

版权

tensorflow小demo 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

该代码示例展示了如何使用TensorFlow库搭建一个简单的神经网络，对MNIST数据集进行训练。经过1000次迭代，模型在测试集上的识别准确率达到约91%。

摘要由CSDN通过智能技术生成

第一步：导入头函数

#coding=utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

第二步：导入数据

#打印数据维度
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape)

第三步：搭建网络

#构建计算图
x=tf.placeholder(tf.float32,[None,784])
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
y=tf.nn.softmax(tf.matmul(x,w)+b)
y_=tf.placeholder(tf.float32,[None,10])

第四步：损失函数与优化器

cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))#计算损失函数loss
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#学习速率为0.5

第五步：训练

#在会话sess中启动图
sess=tf.InteractiveSession()
tf.global_variables_initializer().run()
for i in range(1000):
    batch_xs,batch_ys=mnist.train.next_batch(50)
    train_step.run({x:batch_xs,y_:batch_ys})

第六步：测试

#测试验证阶段
#沿着第1条轴方向取y和y_的最大值的索引并判断是否相等
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#转换bool型tensor为float32型tensor并求平均即得到正确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#tf.cast函数把correct_prediction的数据类型转float32
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))#tf.eval把tensor的值输出

总代码：

#coding=utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#打印数据维度
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape)

#构建计算图
x=tf.placeholder(tf.float32,[None,784])
w=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
y=tf.nn.softmax(tf.matmul(x,w)+b)
y_=tf.placeholder(tf.float32,[None,10])

cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))#计算损失函数loss
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#学习速率为0.5

#在会话sess中启动图
sess=tf.InteractiveSession()
tf.global_variables_initializer().run()
for i in range(1000):
    batch_xs,batch_ys=mnist.train.next_batch(50)
    train_step.run({x:batch_xs,y_:batch_ys})

#测试验证阶段
#沿着第1条轴方向取y和y_的最大值的索引并判断是否相等
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
#转换bool型tensor为float32型tensor并求平均即得到正确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#tf.cast函数把correct_prediction的数据类型转float32
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))#tf.eval把tensor的值输出

结果：0.9114