import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次100张照片
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络,输入层784个神经元,输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数
#square是求平方
#reduce_mean是求平均值
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法来最小化loss,学习率是0.2
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#cast是进行数据格式转换,把布尔型转为float32类型
with tf.Session() as sess:
#执行初始化
sess.run(init)
#迭代21个周期
for epoch in range(21):
#每个周期迭代n_batch个batch,每个batch为100
for batch in range(n_batch):
#获得一个batch的数据和标签
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
#通过feed喂到模型中进行训练
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
#计算准确率
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
MNIST分类
最新推荐文章于 2024-08-06 17:20:59 发布