tensorflow实战之三：MNIST手写数字识别的优化2-多层感知器

最新推荐文章于 2022-08-08 13:22:51 发布

sky_Fantasy_qq

最新推荐文章于 2022-08-08 13:22:51 发布

阅读量846

点赞数

分类专栏： TensorFlow深度学习文章标签： MINIST tensorflow 手写数字识别神经网络优化

本文链接：https://blog.csdn.net/qq_36389843/article/details/78169788

版权

本章节介绍如何使用TensorFlow实现多层神经网络优化MNIST手写数字识别，通过引入Dropout策略防止过拟合。通过4层网络结构，训练集准确率提升至97.52%，测试集达到96.8%，展现了多层网络的优势。

摘要由CSDN通过智能技术生成

上一章我们用到交叉熵代价函数来优化我们的模型，但是最后的准确率也只有92%，这一节我们会实现一个多层的神经网络其中会用的后面一节的知识。新手的话耐心点看看，会有不少收获偶。

那我们就直接上代码了：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

老规矩先导入我们的MNIST数据集

#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

定义每一个批次训练数据集的大小为100（就是每次向神经网络输入100张图片）和批次数目

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
keep_prob=tf.placeholder(tf.float32)

定义我们的图片及标签的容器placeholder ,这里的keep_prob就是指的消除神经网络过拟合的Dropout参数，具体的原理后面会讲到。

关注

专栏目录