#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
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
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