专栏首页从流域到海域tensorflow入门:Neural Network for mnist

tensorflow入门:Neural Network for mnist

我们使用tensorflow实现类似于上图的简单深度网络,用于mnist数据集预测模型的实现。理论方面不再赘述。

实现如下:

import tensorflow as tf
import random
import matplotlib.pyplot as plt

from tensorflow.examples.tutorials.mnist import input_data

tf.set_random_seed(1)

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# define hyperparameters
learning_rate = 0.001
training_epoches = 15
batch_size = 100

# input place holders

X = tf.placeholder(tf.float32, [None, 784]) # 28*28 = 784
Y = tf.placeholder(tf.float32, [None, 10]) # 10 number of classes

# weight & bias for layers
W1 = tf.Variable(tf.random_normal([784, 256]))
b1 = tf.Variable(tf.random_normal([256]))
L1 = tf.nn.relu(tf.matmul(X, W1) + b1)

W2 = tf.Variable(tf.random_normal([256, 256]))
b2 = tf.Variable(tf.random_normal([256]))
L2 = tf.nn.relu(tf.matmul(L1, W2)+ b2)

W3 = tf.Variable(tf.random_normal([256, 10]))
b3 = tf.Variable(tf.random_normal([10]))
L3 = tf.matmul(L2, W3) + b3

# define loss & optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=L3, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

with tf.Session() as sess:
    # initialize global variable
    sess.run(tf.global_variables_initializer())
    #train the modal
    for epoch in range(training_epoches):
        avg_cost = 0
        total_batch = int(mnist.train.num_examples / batch_size)
        
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            feed_dict = {X: batch_xs, Y: batch_ys}
            c, _ = sess.run([cost, optimizer], feed_dict=feed_dict)
            avg_cost += c / total_batch
            
        print('Epoch:', '%04d' %(epoch + 1), 'cost=', '{:.9f}'.format(avg_cost))
        
    print('Learning finished')
    
    correct_prediction = tf.equal(tf.argmax(L3, 1), tf.argmax(Y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print('Accuracy: ', sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels}))

    # Choose one and predict
    r = random.randint(0, mnist.test.num_examples - 1)
    print("Actual label: ", sess.run(tf.argmax(mnist.test.labels[r: r+1], 1)))
    print("Prediction: ", sess.run(tf.argmax(L3, 1), feed_dict={X: mnist.test.images[r: r+1]}))

    plt.imshow(mnist.test.images[r: r+1].reshape(28, 28), cmap='Greys', interpolation='nearest')
    plt.show()
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
Epoch: 0001 cost= 150.137712487
Epoch: 0002 cost= 39.704215820
Epoch: 0003 cost= 25.038394092
Epoch: 0004 cost= 17.644208637
Epoch: 0005 cost= 12.640602860
Epoch: 0006 cost= 9.425256237
Epoch: 0007 cost= 6.992917965
Epoch: 0008 cost= 5.167070087
Epoch: 0009 cost= 3.878480178
Epoch: 0010 cost= 2.969947652
Epoch: 0011 cost= 2.171637326
Epoch: 0012 cost= 1.684254840
Epoch: 0013 cost= 1.305353469
Epoch: 0014 cost= 0.982698343
Epoch: 0015 cost= 0.853588527
Learning finished
Accuracy:  0.9444
Actual label:  [9]
Prediction:  [9]

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • tensorflow入门:Logistic Regression

    g(z)=11+e−zg(z) = \frac{1}{1+e^{-z}}g(z)=1+e−z1​

    Steve Wang
  • tensorflow入门:Softmax Classication

    Softmax用于多元分类,同logistic regression一样使用cross entropy作为损失函数,其原理不再赘述。

    Steve Wang
  • TensorFlow 程序的的一般结构

    Steve Wang
  • TensorFlow指南(一)——上手TensorFlow

    http://blog.csdn.net/u011239443/article/details/79066094 TensorFlow是谷歌开源的深度学习库...

    用户1621453
  • TensorFlow从0到1丨第十六篇 L2正则化对抗“过拟合”

    前面的第十四篇 交叉熵损失函数——防止学习缓慢和第十五篇 重新思考神经网络初始化从学习缓慢问题入手,尝试改进神经网络的学习。本篇讨论过拟合问题,并引入与之相对的...

    用户1332428
  • 深入理解TensorFlow中的tf.metrics算子

    本文翻译自Avoiding headaches with tf.metrics,原作者保留版权。

    机器学习算法工程师
  • TensorFlow从0到1 - 16 - L2正则化对抗“过拟合”

    前面的14 交叉熵损失函数——防止学习缓慢和15 重新思考神经网络初始化从学习缓慢问题入手,尝试改进神经网络的学习。本篇讨论过拟合问题,并引入与之相对的L2正...

    袁承兴
  • Github 项目推荐 | 在 Spark 上实现 TensorFlow 的库 —— Sparkflow

    该库是 TensorFlow 在 Spark 上的实现,旨在 Spark 上使用 TensorFlow 提供一个简单的、易于理解的接口。借助 SparkFlow...

    AI研习社
  • 简单的TensorFlow分类教程

    本篇文章有2个topic,简单的分类器和TensorFlow。首先,我们会编写函数生成三种类别的模拟数据。第一组数据是线性可分的,第二种是数据是月牙形数据咬合在...

    用户1332428
  • 【tensorflow2.0】自动微分机制

    神经网络通常依赖反向传播求梯度来更新网络参数,求梯度过程通常是一件非常复杂而容易出错的事情。

    绝命生

扫码关注云+社区

领取腾讯云代金券