TensorFlow之四（将准确度提升至98%（optimizer、lr））

TensorFlow第四课如何将准确度提升至98%

如何将准确度提升至98%以上，在这里使用到了优化器的选择以及学习率的设置

# -*- coding: utf-8 -*-
"""
Created on Mon Oct 22 14:51:33 2018
如何将准确度提升至98以上
@author: dj
"""
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
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])#一张图片拉为784列，行不确定none为100，下一步对none进行赋值
y=tf.placeholder(tf.float32,[None,10])#标签0-910个数
keep_prob=tf.placeholder(tf.float32)#用来设置的dropout
lr=tf.Variable(0.001,dtype=tf.float32)
#创建一个神经网络
#初始化环节
W1=tf.Variable(tf.truncated_normal([784,500],stddev=0.1))
b1=tf.Variable(tf.zeros([500])+0.1)#偏置初始化可以调为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.Variable(tf.truncated_normal([300,10],stddev=0.1))
b3 = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(l2_drop,W3)+b3)
#二次代价函数
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵损失
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#定义一个梯度下降发进行训练的优化器学习率0.2
#optimizer=tf.train.GradientDescentOptimizer(0.1)
optimizer=tf.train.AdamOptimizer(1e-2)#0.01
#最小化代价函数
train_step=optimizer.minimize(loss)

init=tf.global_variables_initializer()

#求准确率的方法,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返回函数中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
    #所有图片训练21次
    for epoch in range(50):
        sess.run(tf.assign(lr,0.001*(0.95**epoch)))#这里使用每将所有图片训练一次后对学习率乘0.95,改变学习率
        for batch in range(n_batch):#所有循环一次
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})#keep_prob:1.0没有用到dropout
        
        learning_rate=sess.run(lr)
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        
        print('iter '+str(epoch)+'testing Accuracy '+str(acc)+',learning_rate '+str(learning_rate))