tensorflow中实现神经网络训练手写数字数据集mnist
tensorflow中实现神经网络训练手写数字数据集mnist
OpenCV学堂
发布于 2018-07-26 10:53:52
发布于 2018-07-26 10:53:52
tensorflow中实现神经网络训练手写数字数据集mnist
一：网络结构
基于tensorflow实现一个简单的三层神经网络，并使用它训练mnist数据集，神经网络三层分别为：
输入层：
像素数据输入28x28=784 个输入节点
隐藏层：
30个神经元节点
输出层：
10个神经元节点，对应 0 ～ 9 十个数字
图示结构如下：
网络结构的代码实现：
hidden_nodes = 30
x = tf.placeholder(shape=[None, 784], dtype=tf.float32)
y = tf.placeholder(shape=[None, 10], dtype=tf.float32)
w1 = tf.Variable(tf.truncated_normal(shape=[784, hidden_nodes]), dtype=tf.float32)
b1 = tf.Variable(tf.truncated_normal(shape=[1, hidden_nodes]), dtype=tf.float32)
w2 = tf.Variable(tf.truncated_normal(shape=[hidden_nodes, 10]), dtype=tf.float32)
b2 = tf.Variable(tf.truncated_normal(shape=[1, 10]), dtype=tf.float32)
# layer hidden
nn_1 = tf.add(tf.matmul(x, w1), b1)
h1 = tf.nn.sigmoid(nn_1)
# layer output
nn_2 = tf.add(tf.matmul(h1, w2), b2)
out = tf.nn.sigmoid(nn_2)
# loss function
error = tf.square(tf.subtract(y, out))
loss = tf.reduce_sum(error)
# back prop
step = tf.train.GradientDescentOptimizer(0.05).minimize(loss)
init = tf.global_variables_initializer()二：数据读取与训练
读取mnist数据集
from tensorflow.examples.tutorials.mnist import inputdata
mnist = inputdata.readdatasets("MNISTdata/", onehot=True)如果不行，就下载下来，放到本地即可
执行训练的代码如下
# accurate model
acc_mat = tf.equal(tf.argmax(out, 1), tf.argmax(y, 1))
acc = tf.reduce_sum(tf.cast(acc_mat, tf.float32))
with tf.Session() as sess:
sess.run(init)
for i in range(20000):
batch_xs, batch_ys = mnist.train.next_batch(10)
sess.run(step, feed_dict={x: batch_xs, y: batch_ys})
if i % 1000 == 0:
x_input = mnist.test.images[:1000]
y_input = mnist.test.labels[:1000]
curr_acc = sess.run(acc, feed_dict={x: x_input, y: y_input})
print("current acc : ", curr_acc)训练结果：
测试集上对1000张手写数字图像测试正确识别921张，准确率高达92.1%。说明传统的人工神经网络表现还是不错的，这个还是在没有优化的情况下，通过修改批量数大小，修改学习率，添加隐藏层节点数与dropout正则化，可以更进一步提高识别率。
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2018-07-07，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录