手写数字识别准确率输出

点击此处返回总目录     【要求】 1. 包含正则化的损失函数。 2. 指数学习衰减率。 3. 滑动平均。 4. 模型支持断点续训功能。也就是，训练如果被中断，再次运行的时候，会找到断点，继续训练。   【实现】 整个工程共包括3个文件： 前向传播    mnist_forward.py                         //描述网络结构 后向传播    mnist_backward.py                      //描述网络参数优化方法 测试输出准确率   mnist_test.py                      //复现了计算图中的节点，计算模型在测试数据上的准确率     //mnist_forward.py import tensorflow as tf   #首先定义了神经网络结构的相关参数 INPUT_NODE = 784                  #神经网络的输入节点是784个。因为输入的是图片像素值，每张图片是28*28=784个像素点。 OUTPUT_NODE = 10                #输出10个数，每个数表示对应的索引号出现的概率。实现了10分类。 LAYER1_NODE = 500               #隐藏层节点的个数   def get_weight(shape,regularizer):     w = tf.Variable(tf.truncated_normal(shape,stddev = 0.1))        #随机生成参数w     if regularizer !=None:             #如果使用正则化，则将每一个w的正则化损失加入到总损失集合losses         tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))     return w     def get_bias(shape):     b = tf.Variable(tf.zeros(shape))     return b #搭建网络，描述从输入到输出的数据流 def forward(x,regularizer):     w1 = get_weight([INPUT_NODE,LAYER1_NODE],regularizer)     b1 = get_bias([LAYER1_NODE])     y1 = tf.nn.relu(tf.matmul(x,w1)+b1)     w2 = get_weight([LAYER1_NODE,OUTPUT_NODE],regularizer)     b