TensorFlow：实现CNN对MNIST数据集分类

最新推荐文章于 2021-08-17 00:13:26 发布

乖乖猪001

最新推荐文章于 2021-08-17 00:13:26 发布

阅读量2.3k

点赞数 2

文章标签：人工智能 tensorflow 卷积网络深度学习

本文链接：https://blog.csdn.net/xiaozhaoshigedasb/article/details/84790561

版权

在TensorFlow1.8和Python3.6环境下，通过卷积神经网络（CNN）对MNIST数据集进行分类，相较于仅使用DNN，准确率提升了2%，错误率降低60%。CNN的权值共享特性减少了参数数量，降低了过拟合风险。文章提到，尽管局部响应归一化（lrn）可以轻微提升模型准确率，但其效果有限。

摘要由CSDN通过智能技术生成

环境：TensorFlow1.8 Python3.6
代码：

# coding=utf-8
# By author MZ
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

## 1.首先处理数据集
##  1.1图片大小为28*28
mnist = input_data.read_data_sets('MNIST_data_bak/', one_hot=True)
## tf.InteractiveSession()是在运行计算图的时候可以插入计算图
##tf.Session()需要在启动这个计算图的时候，必须构建完成
sess = tf.InteractiveSession()

## 1.2定义Weight的生成函数
## tf.truncated_normal截断的正太分布，标准差设为0.1，生成的随机值和均值的差值不会大于两倍的标准差
def weight_variable(shape):
    init = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(init)
    
## 1.3定义bias的生成函数
## tf.truncated_normal截断的正太分布，标准差设为0.1，生成的随机值和均值的差值不会大于两倍的标准差
def bias_variable(shape):
    init = tf.constant(0.1, shape=shape)
    return tf.Variable(init)


## 1.4卷积层和池化层也是接下来要重复使用的，因此也为它们定义创建函数

## tf.nn.conv2d是TensorFlow中的2维卷积函数，参数中x是输入，W是卷积的参数，比如[5, 5, 1, 32]
## 前面两个数字代表卷积核的尺寸，第