学习进度笔记

学习进度笔记10

TensorFlow多层感知

import tensorflow as tf  

from tensorflow.examples.tutorials.mnist import input_data  

import os  

os.environ["CUDA_VISIBLE_DEVICES"]="0"  

  

mnist=input_data.read_data_sets("/home/yxcx/tf_data",one_hot=True)  

#Parameters  

learning_rate=0.001  

training_epochs=15  

batch_size=100  

display_step=1  

#Network Parameters  

n_hidden_1=256  

n_hidden_2=256  

n_input=784  

n_classes=10  

# tf Graph input  

X=tf.placeholder("float",[None,n_input])  

Y=tf.placeholder("float",[None,n_classes])  

#Store layers weight & bias  

weights={  

    "h1":tf.Variable(tf.random_normal([n_input,n_hidden_1])),  

    "h2":tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2])),  

    "out":tf.Variable(tf.random_normal([n_hidden_2,n_classes]))  

}  

biases={  

    'b1':tf.Variable(tf.random_normal([n_hidden_1])),  

    'b2':tf.Variable(tf.random_normal([n_hidden_2])),  

    'out':tf.Variable(tf.random_normal([n_classes]))  

}  

# Create model  

def multiplayer_perceptron(x):  

    # Hidden fully connected layer with 256 neurons  

    layer_1=tf.add(tf.matmul(x,weights['h1']),biases['b1'])  

    #Hidden fully connected layer with 256 neurons  

    layer_2=tf.add(tf.matmul(layer_1,weights['h2']),biases['b2'])  

    #Output fully connected layer with a neuron for each class  

    out_layer=tf.matmul(layer_2,weights['out'])+biases['out']  

    return out_layer  

#Construct model  

logits=multiplayer_perceptron(X)  

#Define loss and optimizer  

loss_op=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(  

    logits=logits,labels=Y))  

train_op=tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss_op)  

# Initializing the variables  

init=tf.global_variables_initializer()  

with tf.Session() as sess:  

    sess.run(init)  

    #Training cycle  

    for epoch in range(training_epochs):  

        avg_cost=0  

        total_batch=int(mnist.train.num_examples/batch_size)  

        #loop over all batches  

        for i in range(total_batch):  

            batch_x,batch_y=mnist.train.next_batch(batch_size)  

            #Run optimizeation op and cost op to get loss value  

            _,c=sess.run([train_op,loss_op],feed_dict={X:batch_x,Y:batch_y})  

            #computer average loss  

            avg_cost+=c/total_batch  

        #Display logs per epoch step  

        if epoch % display_step==0:  

            print("Epoch:","%04d"%(epoch+1),"cost={:.9f}".format(avg_cost))  

    print("Optimization Finished!")  

    #Test model  

    pred=tf.nn.softmax(logits)  

    correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(Y,1))  

    # Calculate accuracy  

    accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))  

    print("Accuracy:",accuracy.eval({X:mnist.test.images,Y:mnist.test.labels}))