修改優化器進一步提升准確率（04-3）

tensorflow中的優化器有很多種，也有很多類似的博客，當然最常用的是AdamOptimizer，我們這里就通過adam和衰減的學習率加上之前學的多層結構，使手寫數字模型准確率達到98%以上

 

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])
keep_prob=tf.placeholder(tf.float32)
lr=tf.Variable(0.001, dtype=tf.float32)

#創建一個簡單的神經網絡
W1=tf.Variable(tf.truncated_normal([784,200],stddev=0.1))   #這里我們使用一個截斷的正太分布初始化W
b1=tf.Variable(tf.zeros([1,200]))
L1=tf.nn.tanh(tf.matmul(x,W1)+b1)   #激活函數為雙曲正切函數
L1_drop=tf.nn.dropout(L1, keep_prob)

W2=tf.Variable(tf.truncated_normal([200,100],stddev=0.1))
b2=tf.Variable(tf.zeros([1,100]))
L2=tf.nn.tanh(tf.matmul(L1_drop, W2)+b2)
L2_drop=tf.nn.dropout(L2, keep_prob)

W3=tf.Variable(tf.truncated_normal([100,10], stddev=0.1))
b3=tf.Variable(tf.zeros([1,10]))
prediction=tf.nn.softmax(tf.matmul(L2_drop,W3)+b3)

#二次代價函數
#loss=tf.reduce_mean(tf.square(y-prediction))
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
#使用剃度下降法
train_step=tf.train.AdamOptimizer(lr).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(50):
        sess.run(tf.assign(lr, 0.001*(0.95**epoch)))
        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,keep_prob:1})

        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels,keep_prob:1.0})
        train_acc=sess.run(accuracy,feed_dict={x:mnist.train.images, y:mnist.train.labels,keep_prob:1.0})
        print("Iter"+str(epoch)+",Testing Accuracy "+str(test_acc)+"Training Accuracy "+str(train_acc))

 

經過50次的訓練，准確率達到了99.6%

 

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