tensorflow学习

• 构造线性回归数据
• 定义输入层
• 设计神经网络中间层
• 定义神经网络输出层
• 计算二次代价函数，构建梯度下降
• 进行训练，获取预测值
• 画图展示

代码

 

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt tf.compat.v1.disable_eager_execution() #3-1非线性回归 #使用numpy生成200个随机点,200行1列 x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] noise=np.random.normal(0,0.02,x_data.shape) #square为平方 y_data=np.square(x_data)+noise print(x_data) print(y_data) print(y_data.shape) #定义两个placeholder #输入层：一个神经元 x=tf.compat.v1.placeholder(tf.float32,[None,1]) y=tf.compat.v1.placeholder(tf.float32,[None,1]) #定义神经网络中间层 #中间层：10个神经元 Weights_L1=tf.Variable(tf.compat.v1.random_normal([1,10])) biases_L1=tf.Variable(tf.zeros([1,10])) Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 #L1中间层的输出，tanh为激活函数 L1=tf.nn.tanh(Wx_plus_b_L1) #定义神经网络输出层 #输出层：一个神经元 Weights_L2=tf.Variable(tf.compat.v1.random_normal([10,1])) biases_L2=tf.Variable(tf.zeros([1,1])) #输出层的输入就是中间层的输出，故为L1 Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 #预测结果 prediction=tf.nn.tanh(Wx_plus_b_L2) #二次代价函数 #真实值减去预测值的平方的平均值 loss=tf.reduce_mean(tf.square(y-prediction)) #梯度下降：学习率，最下化为loss train_step=tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss) #定义会话 with tf.compat.v1.Session() as sess: # 变量初始化 sess.run(tf.compat.v1.global_variables_initializer()) # 开始训练 for _ in range(2000): #使用placeholder进行传值，传入样本值 sess.run(train_step,feed_dict={x:x_data,y:y_data}) #训练好后，获得预测值，同时传入样本参数 prediction_value=sess.run(prediction,feed_dict={x:x_data}) #画图 plt.figure() # 用散点图，来画出样本点 plt.scatter(x_data,y_data) # 预测图，红色实现，线款为5 plt.plot(x_data,prediction_value,'r-',lw=5) plt.show()

展示

 

 

 

 

手写数字分类

 

MNIST数据集

 

MNIST数据集的官网：Yann LeCun's website下载下来的数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）

数据集详情

 

每一张图片包含28*28个像素，我们把这一个数组展开成一个向量，长度是28*28=784。因此在
MNIST训练数据集中mnist.train.images 是一个形状为 [60000, 784] 的张量，第一个维度数字用
来索引图片，第二个维度数字用来索引每张图片中的像素点。图片里的某个像素的强度值介于0-1
之间。

 

 

 

 

 

神经网络搭建

 

 

 Softmax函数

 

 

代码

 

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data tf.compat.v1.disable_eager_execution() import numpy as np #载入数据集 mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #每个批次大小 batch_size=100 #计算一共有多少个批次 n_bath=mnist.train.num_examples // batch_size print(n_bath) #定义两个placeholder x=tf.compat.v1.placeholder(tf.float32,[None,784]) y=tf.compat.v1.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 W=tf.Variable(tf.zeros([784,10])) b=tf.Variable(tf.zeros([10])) prediction=tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss=tf.reduce_mean(tf.square(y-prediction)) #梯度下降 train_step=tf.compat.v1.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init=tf.compat.v1.global_variables_initializer() #结果存放在一个布尔型列表中 #返回的是一系列的True或False argmax返回一维张量中最大的值所在的位置，对比两个最大位置是否一致 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #求准确率 #cast：将布尔类型转换为float，将True为1.0，False为0，然后求平均值 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.compat.v1.Session() as sess: sess.run(init) for epoch in range(21): for batch in range(n_bath): #获得一批次的数据，batch_xs为图片，batch_ys为图片标签 batch_xs,batch_ys=mnist.train.next_batch(batch_size) #进行训练 sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) #训练完一遍后，测试下准确率的变化 acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))

输出：

 

优化代码

 

优化方面：

①批次个数减小到20

②权值不再为0，改为随机数，设置参数要尽可能小

③增加一个隐藏层，节点数是sqrt(n*l),其中n是输入节点数，l是输出节点数，故为89

④代价函数更换为：交叉熵

⑤梯度下降函数更换为-->动量随机梯度下降，如果上次的准确率比这次准确率还要大，则将0.2乘以0.5

代码：

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data tf.compat.v1.disable_eager_execution() import numpy as np #载入数据集 mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #每个批次大小 batch_size=20 #计算一共有多少个批次 n_bath=mnist.train.num_examples // batch_size print(n_bath) #定义两个placeholder x=tf.compat.v1.placeholder(tf.float32,[None,784]) y=tf.compat.v1.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 #1.初始化非常重要，参数要尽可能小 W=tf.Variable(tf.compat.v1.random_normal([784,89])/np.sqrt(784)) b=tf.Variable(tf.zeros([89])) prediction=tf.nn.relu(tf.matmul(x,W)+b) #第二层 #2.我增加了一个神经网络层，节点数是sqrt(n*l),其中n是输入节点数，l是输出节点数 W2=tf.Variable(tf.compat.v1.random_normal([89,10])/np.sqrt(89)) b2=tf.Variable(tf.zeros([10])) #将其转换为概率值 prediction2=tf.nn.softmax(tf.matmul(prediction,W2)+b2) #二次代价函数 # loss=tf.reduce_mean(tf.square(y-prediction2)) #交叉熵 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction2)) #动量随机梯度下降 #3.如果上次的准确率比这次准确率还要大，则将0.2乘以0.5 train_step=tf.compat.v1.train.MomentumOptimizer(0.2,0.5).minimize(loss) #初始化变量 init=tf.compat.v1.global_variables_initializer() #结果存放在一个布尔型列表中 #返回的是一系列的True或False argmax返回一维张量中最大的值所在的位置，对比两个最大位置是否一致 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction2,1)) #求准确率 #cast：将布尔类型转换为float，将True为1.0，False为0，然后求平均值 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.compat.v1.Session() as sess: sess.run(init) for epoch in range(21): for batch in range(n_bath): #获得一批次的数据，batch_xs为图片，batch_ys为图片标签 batch_xs,batch_ys=mnist.train.next_batch(batch_size) #进行训练 sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) #训练完一遍后，测试下准确率的变化 acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))

输出：