使用tf.estimator.Estimator训练神经网络

参考: https://github.com/aymericdamien/TensorFlow-Examples/

from __future__ import print_function from tensorflow.examples.tutorials.mnist import input_data   mnist=input_data.read_data_sets("/data/machine_learning/mnist/",one_hot=False) print(mnist.train.labels.shape)   import tensorflow as tf   #参数设置 learning_rate=0.1 #学习率 num_steps=1000 #迭代次数 batch_size=128 #批处理大小 display_step=100 #输出间隔   #网络参数 n_hidden_1=256 #第一个隐藏层神经元 n_hidden_2=256 #第二个隐藏层神经元 num_input=784 #28*28 num_classes=10 #标签类别

 

#定义网络结构 def neural_net(x_dict):     x=x_dict['images']     layer_1=tf.layers.dense(x,n_hidden_1) #全连接层     layer_2=tf.layers.dense(layer_1,n_hidden_2) #全连接层     out_layer=tf.layers.dense(layer_2,num_classes) #全连接层，输出层     return out_layer

 

def model_fn(features,labels,mode):     logits=neural_net(features) #输出         #预测     pred_classes=tf.argmax(logits,axis=1)     pred_probas=tf.nn.softmax(logits)         if mode==tf.estimator.ModeKeys.PREDICT:         return tf.estimator.EstimatorSpec(mode,predictions=pred_classes)         #定义损失和优化函数     loss_op=tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,labels=tf.cast(labels,dtype=tf.int32)))     optimizer=tf.train.GradientDescentOptimizer(learning_rate=learning_rate) #梯度下降优化器     train_op=optimizer.minimize(loss_op,global_step=tf.train.get_global_step()) #最小化损失         acc_op=tf.metrics.accuracy(labels=labels,predictions=pred_classes) #精度         estim_specs=tf.estimator.EstimatorSpec(mode=mode,predictions=pred_classes,loss=loss_op,train_op=train_op,eval_metric_ops={'accuracy':acc_op})     return estim_specs

 

 

model=tf.estimator.Estimator(model_fn)   input_fn=tf.estimator.inputs.numpy_input_fn(x={'images':mnist.train.images},y=mnist.train.labels,batch_size=batch_size,num_epochs=None,shuffle=True)   model.train(input_fn,steps=num_steps)   input_fn=tf.estimator.inputs.numpy_input_fn(x={'images':mnist.test.images},y=mnist.test.labels,batch_size=batch_size,shuffle=False)   e=model.evaluate(input_fn) print("测试精度：",e['accuracy'])