Tensorflow实现SoftMax Regression （MNIST）手写体数字识别(增加隐含层提高准确性）

最新推荐文章于 2020-12-22 14:50:23 发布

35仍未老

最新推荐文章于 2020-12-22 14:50:23 发布

阅读量202

点赞数

分类专栏： Tensorflow 图像识别文章标签： tensorflow 深度学习神经网络

本文链接：https://blog.csdn.net/quanhujing/article/details/107059892

版权

Tensorflow 图像识别专栏收录该内容

7 篇文章 12 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

使用Tensorflow实现SoftMax Regression，通过增加隐含层提升MNIST手写数字识别的准确性，深入理解深度学习中神经网络的工作原理。

摘要由CSDN通过智能技术生成

# tensorflow 1.2版本
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
# 读取本地输入，如果本地没有直接从网上下载
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 输入节点数
in_uint = 784
# 隐藏层节点数
hi_uint = 300

# 定义输入变量：第一层参数和偏执项为w1,b2 第二层参数w2和b2
x = tf.placeholder(tf.float32, [None, in_uint])
w1 = tf.Variable(tf.truncated_normal([in_uint, hi_uint], stddev=0.1))
b1 = tf.Variable(tf.zeros([hi_uint]))
w2 = tf.Variable(tf.zeros([hi_uint,10]))
b2 = tf.Variable(tf.zeros([10]))
# Drop   通过减少隐藏层节点数，达到降采样的目的
keep_prob = tf.placeholder(tf.float32)
# 隐藏层：全连接和非线性激活函数
hidden01 = tf.nn.relu(tf.matmul(x, w1)+b1)
# 隐藏部分节点，达到降采样的目的
hidden01_

了解本专栏