Tensorflow学习实战之多层神经网络mnist手写识别

最新推荐文章于 2022-05-26 21:33:32 发布

郎郎不会飞

最新推荐文章于 2022-05-26 21:33:32 发布

阅读量572

点赞数 1

分类专栏：深度学习文章标签： tensorflow 神经网络深度学习

本文链接：https://blog.csdn.net/weixin_44747240/article/details/104392232

版权

本文介绍了使用TensorFlow构建并训练一个多层神经网络，进行MNIST手写数字识别的过程。文章涉及数据准备、模型构建、训练、评估以及错误预测的可视化展示。在模型中采用了ReLU激活函数和Softmax多分类，优化器选择AdamOptimizer，注意到在处理交叉熵损失函数时，避免了log(0)导致的不稳定性问题。

摘要由CSDN通过智能技术生成

激活函数：
sigmod函数为s型
relu为修正线性单元函数
tanh双曲正切

这里使用的relu激活函数，输出使用softmax多分类，中间使用了3层隐藏层，优化器使用AdamOptimizer，损失函数定义loss_function=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=forward,labels=y))
训练十次的结果图：
在这里插入图片描述

数据准备

#读取
mnist= input_data.read_data_sets("mnist_data/",one_hot=True)

构建模型

#构建输入层
x=tf.placeholder(tf.float32,[None,784],name='x')
y=tf.placeholder(tf.float32,[None,10],name='y')
#构建隐藏层
h1_nn=256#第一层神经元个数
h2_nn=64#第二层神经元个数
h3_nn=32#第三层神经元个数
#第一层隐藏层
w1=tf.Variable(tf.truncated_normal([784,h1_nn],stddev=0.1))#第一层权重
b1=tf.Variable(tf.zeros([h1_nn]))#第一层偏置
y1=tf.nn.relu(tf.matmul(x,w1)+b1)#relu激活函数
#第二层隐藏层
w2=tf.Variable(tf.truncated_normal([h1_nn,h2_nn],stddev=0.1))#第一层权重
b2=tf.Variable(tf.zeros([h2_nn]))#第一层偏置
y2=tf.nn.relu(tf.matmul(y1,w2)+b2)#relu激活函数
#第三层隐藏层
w3=tf