MNIST手寫數字分類simple版（03-2）

simple版本nn模型 訓練手寫數字處理

 

MNIST_data數據   百度網盤鏈接：https://pan.baidu.com/s/19lhmrts-vz0-w5wv2A97gg
提取碼：cgnx

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#載入數據集
mnist=input_data.read_data_sets("MNIST_data", one_hot=True)

#每個批次的大小
batch_size=100
#計算一共有多少批次
n_batch=mnist.train.num_examples // batch_size

#定義兩個placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

#創建一個簡單的神經網絡
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([1,10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

#二次代價函數
loss=tf.reduce_mean(tf.square(y-prediction))

#使用剃度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化變量
init=tf.global_variables_initializer()

#結果存放在一個布爾型列表中
correct_prediction=tf.equal(tf.argmax(y,1), tf.argmax(prediction,1)) #argmax返回一維張量中最大的值所在的位置
#求准確率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(20):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs, y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels})
        print("Iter"+str(epoch)+",Testing Accuracy "+str(acc))

如果我們把上邊代碼的二次代價函數換成下邊這行代碼，其余不變，得到的結果會更好一些，具體原因看下篇博客 對交叉墒和二次代價函數的介紹

 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))

 

 

目錄：

1. tensorflow簡介、目錄
2. tensorflow中的圖（02-1）
3. tensorflow變量的使用（02-2）
4. tensorflow中的Fetch、Feed（02-3）
5. tensorflow版helloworld---擬合線性函數的k和b（02-4）
6. tensorflow非線性回歸（03-1）
7. MNIST手寫數字分類simple版（03-2）
8. 二次代價函數、交叉熵(cross-entropy)、對數似然代價函數（log-likelihood cost）(04-1)
9. 多層網絡通過防止過擬合，增加模型的准確率（04-2）
10. 修改優化器進一步提升准確率（04-3）
11. 手寫數字識別-卷積神經網絡cnn（06-2）
12. 循環神經網絡rnn與長短時記憶神經網絡簡述（07-2）
13. 循環神經網絡lstm代碼實現（07-3）
14. tensorflow模型保存和使用08
15. 下載inception v3  google訓練好的模型並解壓08-3
16. 使用inception v3做各種圖像分類識別08-4
17. word2vec模型訓練簡單案例
18. word2vec+textcnn文本分類簡述及代碼