tensorflow中的优化器有很多种,也有很多类似的博客,当然最常用的是AdamOptimizer,我们这里就通过adam和衰减的学习率加上之前学的多层结构,使手写数字模型准确率达到98%以上
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次的大小 batch_size=100 #计算一共有多少批次 n_batch=mnist.train.num_examples // batch_size #定义两个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) #创建一个简单的神经网络 W1=tf.Variable(tf.truncated_normal([784,200],stddev=0.1)) #这里我们使用一个截断的正太分布初始化W b1=tf.Variable(tf.zeros([1,200])) L1=tf.nn.tanh(tf.matmul(x,W1)+b1) #激活函数为双曲正切函数 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) #二次代价函数 #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) #初始化变量 init=tf.global_variables_initializer() #结果存放在一个布尔型列表中 correct_prediction=tf.equal(tf.argmax(y,1), tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置 #求准确率 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))
经过50次的训练,准确率达到了99.6%
目录:
- tensorflow简介、目录
- tensorflow中的图(02-1)
- tensorflow变量的使用(02-2)
- tensorflow中的Fetch、Feed(02-3)
- tensorflow版helloworld---拟合线性函数的k和b(02-4)
- tensorflow非线性回归(03-1)
- MNIST手写数字分类simple版(03-2)
- 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数(log-likelihood cost)(04-1)
- 多层网络通过防止过拟合,增加模型的准确率(04-2)
- 修改优化器进一步提升准确率(04-3)
- 手写数字识别-卷积神经网络cnn(06-2)
- 循环神经网络rnn与长短时记忆神经网络简述(07-2)
- 循环神经网络lstm代码实现(07-3)
- tensorflow模型保存和使用08
- 下载inception v3 google训练好的模型并解压08-3
- 使用inception v3做各种图像分类识别08-4
- word2vec模型训练简单案例
- word2vec+textcnn文本分类简述及代码