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
目录
1、一张图像数组形状的变化:输入一个由784 个元素(28*28的二维数组)构成的一维数组后,输出一个有10个元素的一维数组。这是只输入一张图像数据时的处理流程。
2、批处理中数组形状的变化:考虑打包输入多张图像的情形。比如,我们想用predict()函数一次性打包处理100张图像。为此,可以把x的形状改为100 × 784,将100 张图像打包作为输入数据。,输入数据的形状为100 × 784,输出数据的形状为
100 × 10。这表示输入的100 张图像的结果被一次性输出了。比如,x[0]和y[0]中保存了第0 张图像及其推理结果,x[1]和y[1]中保存了第1 张图像及其推理结果,等等。这种打包式的输入数据称为批(batch)。批有“捆”的意思,图像就如同纸币一样扎成一捆。
- -*- coding: utf-8 -*-
-
- 实现的神经网络共有三层,输入层有 784 个神经元,隐藏层与输出层分别有 500 和 10 个神经元。这所以这样设计是因为 MNIST 的像素为 28×28=784,所以每一个输入神经元对应于一个灰度像素点。批量大小为 100并使用学习率衰减的情况下迭代 10000 步能得到 98.34% 的测试集准确度,
- import tensorflow as tf
- from tensorflow.examples.tutorials.mnist import input_data
-
-
- 加载MNIST数据集
- mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True)
- INPUT_NODE = 784
- OUTPUT_NODE = 10
- LAYER1_NODE = 500
- BATCH_SIZE = 100
-
- 模型相关的参数
- LEARNING_RATE_BASE = 0.8
- LEARNING_RATE_DECAY = 0.99
- REGULARAZTION_RATE = 0.0001
- TRAINING_STEPS = 10000
- MOVING_AVERAGE_DECAY = 0.99
-
- def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
- 使用滑动平均类
- if avg_class == None:
- layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
- return tf.matmul(layer1, weights2) + biases2
- else:
- 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')
- 生成隐藏层的参数。
- weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
- biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
- 生成输出层的参数。
- weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
- biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
-
- 计算不含滑动平均类的前向传播结果
- y = inference(x, None, weights1, biases1, weights2, biases2)
- 定义训练轮数及相关的滑动平均类
- 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)
- 计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)
- 定义交叉熵损失函数加上正则项为模型损失函数
- regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
- regularaztion = regularizer(weights1) + regularizer(weights2)
- loss = cross_entropy_mean + regularaztion
- 设置指数衰减的学习率。
- learning_rate = tf.train.exponential_decay(
- LEARNING_RATE_BASE,
- global_step,
- mnist.train.num_examples / BATCH_SIZE,
- LEARNING_RATE_DECAY,
- staircase=True)
- 随机梯度下降优化器优化损失函数,使用梯度下降优化器来优化权重。然而,TensorFlow 中还有很多优化器,最常用的是 GradientDescentOptimizer、AdamOptimizer 和 AdaGradOptimizer。
- train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
- 反向传播更新参数和更新每一个参数的滑动平均值
- with tf.control_dependencies([train_step, variables_averages_op]):
- train_op = tf.no_op(name='train')
- 计算准确度
- correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
- accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
- 初始化会话并开始训练过程。
- 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}
- 循环地训练神经网络。
- 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)
相关文章
TF之NN:(TF自带函数下载MNIST55000训练集图片)实现手写数字识别87.4%准确率识别:SGD法+softmax法+cross_entropy法
TF之DNN:(TF自带函数下载MNIST55000训练集图片)利用 784 个神经元的三层全连接的DNN对MNIST手写数字识别实现98%准确率
网站声明:如果转载,请联系本站管理员。否则一切后果自行承担。
加入交流群
请使用微信扫一扫!