#用tensorflow在mnist数据集上做神经网络
#用两层的神经网络做10分类任务,第二层神经网络的输出为10分类的得分值
#原始数据通过(w1,b1)一组参数和第一层神经网络相连接
#第一层通过(w2,b2)一组权重参数和第二层相连接
#第二层通过一组out权重参数输出10分类的得分值
#实现过程中,需要指定两层神经网络各自的神经元个数(256和128)
#原始数据是n*784(784个像素点),第一层有256个神经元,w1前面连784,后面连256,
#W1的规模=784*256,同理,W2的规模=256*128,第一层有256个神经元,b1=256,同理,b2=128
#同理 out层权重参数规模=128*10,偏置参数有10个
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data
mnist = input_data.read_data_sets('data/', one_hot=True)
# 第一层有256个神经元,第二层有128个神经元
n_hidden_1 = 256
n_hidden_2 = 128
n_input = 784
n_classes = 10
# INPUTS AND OUTPUTS
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])
# NETWORK PARAMETERS
stddev = 0.1
weights = {#进行高斯初始化
'w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev=stddev)),
'w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev=stddev)),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes], stddev=stddev))
}
biases = {#b可以进行高斯初始化,也可以进行0值初始化
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_classes]))
}
print ("NETWORK READY")
#进行一次前向传播,输入数据,W 和b,第一层,第二层,out输出
def multilayer_perceptron(_X, _weights, _biases):
#第一层=w1*X+b1,神经网络的每一层后面都有sigmoid函数
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(_X, _weights['w1']), _biases['b1']))
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['w2']), _biases['b2']))
return (tf.matmul(layer_2, _weights['out']) + _biases['out'])
# 进行一次反向传播
pred = multilayer_perceptron(x, weights, biases)
# tf中有一个已经写好的损失函数softmax_cross_entropy_with_logits(softmax交叉熵函数)
#两个参数,第一个数是前向传播的预测值,第二个是真实值,两者作比较,reduce_mean表示除以n
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))
#GradientDescentOptimizer用梯度下降去优化损失函数,
optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost)
#corr是准确率,accr是精度
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accr = tf.reduce_mean(tf.cast(corr, "float"))
# 对全局变量进行初始化
init = tf.global_variables_initializer()
print ("FUNCTIONS READY")
#神经网络框架结束,以下代码和上节课逻辑回归差不多
training_epochs = 20
batch_size = 100
display_step = 4
# LAUNCH THE GRAPH
sess = tf.Session()
sess.run(init)
# OPTIMIZE
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(mnist.train.num_examples/batch_size)
# ITERATION
for i in range(total_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
#字典的key是填充的值,字典的value表示要填充的值是什么
feeds = {x: batch_xs, y: batch_ys}
#不断地run优化器,不断地求解
sess.run(optm, feed_dict=feeds)
avg_cost += sess.run(cost, feed_dict=feeds)
avg_cost = avg_cost / total_batch
# DISPLAY
if (epoch+1) % display_step == 0:
print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
feeds = {x: batch_xs, y: batch_ys}
train_acc = sess.run(accr, feed_dict=feeds)
print ("TRAIN ACCURACY: %.3f" % (train_acc))
feeds = {x: mnist.test.images, y: mnist.test.labels}
test_acc = sess.run(accr, feed_dict=feeds)
print ("TEST ACCURACY: %.3f" % (test_acc))
print ("OPTIMIZATION FINISHED")
用tensorflow在mnist数据集上做神经网络
最新推荐文章于 2023-04-09 16:17:52 发布