# -*- coding: UTF-8 -*-
#!/usr/bin/python
#从网上download到minist相关的数据以及处理函数
import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
import tensorflow as tf
#a classifier with only softmax layer
#x是一个N * 784的矩阵,784指的是28 * 28 的图片拉伸为一行
#N为批数,由用户在运行时指定。
#x存放的是每一批的训练数据,是不断变更的,因此需要用到tf中的feed方法,因此在这里只用占位符
#None指的是这个维度的值是任意的,在这里是输入的batch的大小是任意的
x = tf.placeholder(tf.float32, [None, 784])
#用于存放真实标签
y_ = tf.placeholder("float", [None,10])
#variable是tensorflow中可以被修改的变量
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#一行代码实现softmax的前向传播,y是预测输出
y = tf.nn.softmax(tf.matmul(x,W) + b)
#训练模型,这里用的是交叉熵,交叉熵被认为是比较好的loss function
#reduce_sum是求张量所有元素总和的求和函数。log(y)和*(这里是点乘)都是逐个元素进行的
#从这里也可以看出tensorflow中的loss function 是需要自己定义的
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#用梯度下降法优化交叉熵
#其他优化算法也是一行代码&#
[TensorFlow学习笔记2]构建训练softmax分类器
最新推荐文章于 2024-05-15 12:21:00 发布