Tensorflow RNN 关于mnist 的代码示例

 

      在VS2017上进行开发， 首先，个人问题不知道为什么无法下载mnist的资源，只能手动放在工程文件夹下

   其中MNIST就是，百度云资源：点击打开链接

import  tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST/',one_hot = True)  #这里向文件夹读取资源

lr = 0.001                                                 #设置训练步长
training_it = 100000                                       #这里依据的是样本数量
batch_size = 128                                        

n_inputs = 28                                             #将图片分成28行
n_steps = 28                                              #时间步
n_hidden_units = 128                                      #神经元数量
n_classes = 10                                            #mnist 指0-9

x= tf.placeholder(tf.float32,[None,n_steps,n_inputs])     #定义输入
y= tf.placeholder(tf.float32,[None,n_classes])   

weights = {                                               #此处定义权重
   
    'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),
    'out':tf.Variable(tf.random_normal([n_hidden_units,n_classes]))
   
    }

biases = {                                                 #此处定义偏移量
    'in': tf.Variable(tf.constant(0.1,shape =[n_hidden_units, ])),
    'out':tf.Variable(tf.constant(0.1,shape=[n_classes,]))
   
    }

def RNN(X,weights,biases):

    X = tf.reshape(X,[-1,n_inputs])                       #输入一张图片的28行
    X_in = tf.matmul(X,weights['in'])+biases['in']        #第一层layer
    X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])   #这里reshape准备传入cell

    cell = tf.contrib.rnn.BasicLSTMCell(n_hidden_units)   #这里采用RNN的 BasicLSTMCell方法

    init_state = cell.zero_state(batch_size,dtype = tf.float32)    #初始化RNN状态参数

    outputs,final_state = tf.nn.dynamic_rnn(cell,X_in,initial_state = init_state ,time_major = False)

    outputs= tf.unstack(tf.transpose(outputs,[1,0,2]))    #这里进行矩阵转置并拆解一个维度

    results = tf.matmul(outputs[-1],weights['out'])+biases['out']   #这里进行第二层layer

    return results

prediction = RNN(x,weights,biases)                        #这里进行RNN

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = prediction,labels = y))  #这里计算损失

train_op = tf.train.AdamOptimizer(lr).minimize(cost)        #这里采用Adam的方式进行优化

#这里把预测值中的最大可能和实际值进行对比 输出为0和1数组，0为不同，1为相同
correct_pred = tf.equal(tf.arg_max(prediction,1),tf.arg_max(y,1)) 

#这里计算上述对比数组中1所占的比例
accuary = tf.reduce_mean(tf.cast(correct_pred,tf.float32))

with tf.Session() as sess:

    #这里初始化变量
    init = tf.global_variables_initializer()

     #这里进行初始化 常规套路
    sess.run(init)

    step =0

    while step*batch_size <training_it:

        #获取一个batch的图片及对应标签
        batch_xs,batch_ys = mnist.train.next_batch(batch_size)

       #对一个batch的图片进行reshape
        batch_xs = batch_xs.reshape(batch_size,n_steps,n_inputs)

         #开始训练
        sess.run(train_op,feed_dict={x:batch_xs,y:batch_ys})

        if step %20 ==0:  #这里隔一段训练样本 计算一次 准确率

            print(sess.run(accuary,feed_dict = {
                x:batch_xs,y:batch_ys
               
                }))
        step+=1

 

以上RNN的时间序列是以图片行为标准。