Tensorflow-RNN循环网络-手写数字识别(MNIST数据集)

最新推荐文章于 2022-05-10 14:21:35 发布

qq_37491711

最新推荐文章于 2022-05-10 14:21:35 发布

阅读量312

点赞数

本文链接：https://blog.csdn.net/qq_37491711/article/details/100542421

版权

本文通过TensorFlow实现了一个基于RNN的循环神经网络，用于手写数字识别任务，利用MNIST数据集进行训练。通过动态RNN处理28x28像素的手写数字图像，构建LSTM细胞，训练模型并评估测试集的准确性。

摘要由CSDN通过智能技术生成

#RNN卷积神经网络-手写数字识别--MNIST数据集
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据
mnist = input_data.read_data_sets('C:/Users/lenovo/Desktop/TF/MNIST_data',one_hot=True)

#输入图片28*28
n_inputs = 28 #输入一行，一行有28个数据
max_time = 28 #一共28行
lstm_size = 100 #隐层单元
n_classes = 10 #10个分类
batch_size = 50 #每批次50个样本
n_batch = mnist.train.num_examples // batch_size #一共有多少个批次

#这里的None表示第一个维度可以实任意的长度
x = tf.placeholder(tf.float32, [None, 784])
#正确的标签
y = tf.placeholder(tf.float32, [None, 10])

#初始化权值
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
#初始化偏置值
biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))

#定义RNN网络
def RNN(X, weights, biases):
    #inputs =[batch_size, max_time, n_inputs])
    inputs = tf.reshape(X, [-1, max_time, n_inputs])
    #定义LSTM基本CELL
    lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(lstm_size)
    #final_state[0]是cell state