用tensorflow2.0 版回顧了一下mnist的學習
代碼如下，感覺這個版本下的mnist學習更簡潔，更方便
關於tensorflow的基礎知識，這里就不更新了，用到什么就到網上搜索相關的知識
# encoding: utf-8 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #加載下載好的mnist數據庫 60000張訓練 10000張測試 每一張維度（28，28） path = r'G:\2019\python\mnist.npz' f = np.load(path) x_train, y_train = f['x_train'], f['y_train'] f.close() #預處理輸入數據 x = 2*tf.convert_to_tensor(x_train, dtype = tf.float32)/255. - 1 x = tf.reshape(x, [-1, 28*28]) y = tf.convert_to_tensor(y_train, dtype=tf.int32) y = tf.one_hot(y, depth=10) #第一層輸入256， 第二次輸出128， 第三層輸出10 #第一,二，三層參數w,b w1 = tf.Variable(tf.random.truncated_normal([784, 256], stddev=0.1)) #正態分布的一種 b1 = tf.Variable(tf.zeros([256])) w2 = tf.Variable(tf.random.truncated_normal([256, 128], stddev=0.1)) b2 = tf.Variable(tf.zeros([128])) w3 = tf.Variable(tf.random.truncated_normal([128, 10], stddev=0.1)) b3 = tf.Variable(tf.zeros([10])) #將60000組數據切分為600組，每組100個數據 train_db = tf.data.Dataset.from_tensor_slices((x, y)).batch(100) lr = 0.001 #學習率 losses = [] #儲存每epoch的loss值，便於觀察學習情況 for epoch in range(20): #一次性處理100組（x, y）數據 for step, (x, y) in enumerate(train_db): #遍歷切分好的數據step:0->599 with tf.GradientTape() as tape: #向前傳播第一，二，三層 h1 = x@w1 + tf.broadcast_to(b1, [x.shape[0], 256]) #可以直接寫成 +b1 h1 = tf.nn.relu(h1) h2 = h1@w2 + b2 h2 = tf.nn.relu(h2) out = h2@w3 + b3 #計算mse loss = tf.square(y - out) loss = tf.reduce_mean(loss) #計算參數的梯度，tape.gradient為自動求導函數，loss為目標數據，目的使它越來越接近真實值 grads = tape.gradient(loss, [w1, b1, w2, b2, w3, b3]) #更新w,b w1.assign_sub(lr*grads[0]) #原地減去給定的值，實現參數的自我更新 b1.assign_sub(lr*grads[1]) w2.assign_sub(lr*grads[2]) b2.assign_sub(lr*grads[3]) w3.assign_sub(lr*grads[4]) b3.assign_sub(lr*grads[5]) #觀察學習情況 if step%500 == 0: print(epoch, step, 'loss:', float(loss)) #將每epoch的loss情況儲存起來，最后觀察 losses.append(float(loss)) plt.plot(losses, marker='s', label='training') plt.xlabel('Epoch') plt.ylabel('MSE') plt.legend()
plt.savefig('exam_mnist_forward.png') plt.show()
觀察結果：
可由注釋理解代碼的含義！下一次更新mnist數據集訓練的進階！