5.1tensorflow5.1神经网络调参实现mnist数据集分类正确率98%以上(实现动态学习率调整)

整理不易，有条件的点个关注、点个赞呗！感恩各位大哥！

tensorflow简单介绍

tensor采用图运算的方式搭建并训练深度学习网络，该部分使用的库包版本为tensorflow==1.14.0

代码拆分（每个代码块可以放到一个jupyter的cell里）

导入tensorflow及相关包

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

加载数据、定义批次

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot = True)

# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

定义网络结构

# 定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)
# 定义初始学习率变量，用于动态控制学习率
lr = tf.Variable(0.001,dtype=tf.float32)

# 创建一个简单的神经网络
W1 = tf.Variable(tf.truncated_normal([784,500],stddev=0.1))
b1 = tf.Variable(tf.zeros([500])+0.1)
L1 = tf.nn.tanh(tf.matmul(x,W1)+b1)
L1_drop = tf.nn.dropout(L1,keep_prob)

W2 = tf.Variable(tf.truncated_normal([500,300],stddev=0.1))
b2 = tf.Variable(tf.zeros([300])+0.1)
L2 = tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)
L2_drop = tf.nn.dropout(L2,keep_prob)


W3 = tf.