TF之DNN：利用DNN【784→500→10】對MNIST手寫數字圖片識別數據集(TF自帶函數下載)預測(98%)+案例理解DNN過程

?

?

目錄

輸出結果

案例理解DNN過程思路

代碼設計

---

?

?

輸出結果

案例理解DNN過程思路

1、一張圖像數組形狀的變化：輸入一個由784 個元素(28*28的二維數組)構成的一維數組后，輸出一個有10個元素的一維數組。這是只輸入一張圖像數據時的處理流程。

2、批處理中數組形狀的變化：考慮打包輸入多張圖像的情形。比如，我們想用predict()函數一次性打包處理100張圖像。為此，可以把x的形狀改為100 × 784，將100 張圖像打包作為輸入數據。，輸入數據的形狀為100 × 784，輸出數據的形狀為
100 × 10。這表示輸入的100 張圖像的結果被一次性輸出了。比如，x[0]和y[0]中保存了第0 張圖像及其推理結果，x[1]和y[1]中保存了第1 張圖像及其推理結果，等等。這種打包式的輸入數據稱為批（batch）。批有“捆”的意思，圖像就如同紙幣一樣扎成一捆。

?

?

代碼設計

# -*- coding: utf-8 -*-#實現的神經網絡共有三層，輸入層有 784 個神經元，隱藏層與輸出層分別有 500 和 10 個神經元。這所以這樣設計是因為 MNIST 的像素為 28×28=784，所以每一個輸入神經元對應于一個灰度像素點。批量大小為 100并使用學習率衰減的情況下迭代 10000 步能得到 98.34% 的測試集準確度， import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data#加載MNIST數據集 mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True) INPUT_NODE = 784 OUTPUT_NODE = 10 LAYER1_NODE = 500 BATCH_SIZE = 100# 模型相關的參數 LEARNING_RATE_BASE = 0.8 LEARNING_RATE_DECAY = 0.99 REGULARAZTION_RATE = 0.0001 TRAINING_STEPS = 10000 MOVING_AVERAGE_DECAY = 0.99def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2): # 使用滑動平均類if avg_class == None:layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)return tf.matmul(layer1, weights2) + biases2else:layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))return tf.matmul(layer1, avg_class.average(weights2)) + avg_class.average(biases2) def train(mnist):x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input') # 生成隱藏層的參數。weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))# 生成輸出層的參數。weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))# 計算不含滑動平均類的前向傳播結果y = inference(x, None, weights1, biases1, weights2, biases2) # 定義訓練輪數及相關的滑動平均類 global_step = tf.Variable(0, trainable=False)variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)variables_averages_op = variable_averages.apply(tf.trainable_variables())average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)# 計算交叉熵及其平均值cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))cross_entropy_mean = tf.reduce_mean(cross_entropy)# 定義交叉熵損失函數加上正則項為模型損失函數regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)regularaztion = regularizer(weights1) + regularizer(weights2)loss = cross_entropy_mean + regularaztion# 設置指數衰減的學習率。learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,mnist.train.num_examples / BATCH_SIZE,LEARNING_RATE_DECAY,staircase=True)# 隨機梯度下降優化器優化損失函數,使用梯度下降優化器來優化權重。然而，TensorFlow 中還有很多優化器，最常用的是 GradientDescentOptimizer、AdamOptimizer 和 AdaGradOptimizer。train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)# 反向傳播更新參數和更新每一個參數的滑動平均值with tf.control_dependencies([train_step, variables_averages_op]):train_op = tf.no_op(name='train')# 計算準確度correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 初始化會話并開始訓練過程。with tf.Session() as sess:tf.global_variables_initializer().run()validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}test_feed = {x: mnist.test.images, y_: mnist.test.labels} # 循環地訓練神經網絡。for i in range(TRAINING_STEPS):if i % 1000 == 0:validate_acc = sess.run(accuracy, feed_dict=validate_feed)print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))xs,ys=mnist.train.next_batch(BATCH_SIZE)sess.run(train_op,feed_dict={x:xs,y_:ys})test_acc=sess.run(accuracy,feed_dict=test_feed)print(("After %d training step(s), test accuracy using average model is %g" %(TRAINING_STEPS, test_acc)))avg_class = None train(mnist)

?

相關文章
TF之NN：(TF自帶函數下載MNIST55000訓練集圖片)實現手寫數字識別87.4%準確率識別：SGD法+softmax法+cross_entropy法
TF之DNN：(TF自帶函數下載MNIST55000訓練集圖片)利用 784 個神經元的三層全連接的DNN對MNIST手寫數字識別實現98%準確率

總結

以上是生活随笔為你收集整理的TF之DNN：利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。