tensorflow（6）优化器以及使用

优化器种类（学习器）：

1.梯度下降法（3种）优化器：

样本多时：随机梯度下降法快，标准梯度下降法慢。

随机梯度下降法：SGD

梯度下降法的运行方式：

算术符号表示：

2.Momentum优化器：

3.NAG（Nesterov accelerated gradient）优化器

4.Adagrad优化器

5.RMSprop优化器：

6.Adadelta优化器：

7.Adam优化器：

8.区别：(视频见盘存储）

其中：SGD最慢，Adadelta最快。但是在实际使用中不是根据训练快慢来选择优化器的，是根据最后的准确度来进行选择的。

所以，建议：在搭建网络中可以用快的，但是在出论文可以用慢的，最后要都试。

9.代码：

在这里使用AdamOptimizer优化器：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径：
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
 
#每个批次100张照片 每个批次的大小
batch_size = 100
 
#计算一共有多少个批次 （整除符号）
n_batch = mnist.train.num_examples // batch_size
 
#定义两个placeholder，None=100批次
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（这里只是2层）
#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)#得到很多概率（对应标签的10个概率）
 
#二次代价函数（如果输出神经元是线性的，适合用二次代价函数）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17% 
#在训练过程中 调整参数比较合理，收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
 
#使用梯度下降法（0.2的学习率）
# train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#训练的方式（一个新的优化器）AdamOptimizer优化器
train_step=tf.train.AdamOptimizer(1e-3).minimize(loss)#学习率10的-3次方，或者小数点:0.001 收敛速度比SGD快，学习率一般比较小
 
#初始化变量
init = tf.global_variables_initializer()
 
    
#定义一个球准确率的方法
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1  就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型  显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
 
 
with tf.Session() as sess:
    sess.run(init)
    #迭代21个周期
    for epoch in range(20):#每个图片训练21次
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            #把训练数据feed数据喂给网络
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            #把测试数据feed数据喂给网络
        acc = sess.run(accuracy,feed_dict = {x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))