用tensorflow在mnist数据集上做神经网络

#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")