4.4 Tensorflow 实现多层感知机—Tensorflow实战

继续抄书... .. .

关键词：一层隐含层，dropout ，ReLu 激活函数，自适应学习速率Adagrad，Sofmax 函数

附代码：

# 载入MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
# 创建tensorflow默认的Interactive Session，这样后面执行各项操作就无需指定session了
sess = tf.InteractiveSession()

# 输入节点28*28
int_units = 784
# 隐藏层节点数
h1_units = 300
# 偏置全部初始化为0，并将权重初始化为截断的正态分布，标准差为0.1
w1 = tf.Variable(tf.truncated_normal([int_units,h1_units],stddev = 0.1))
b1 = tf.Variable(tf.zeros([h1_units]))
w2 = tf.Variable(tf.truncated_normal([h1_units,10]))
b2 = tf.Variable(tf.zeros([10]))

# 定义x的placeholder
x = tf.placeholder(tf.float32,[None,int_units])
# dropout的比率即保留节点的概率 <1
keep_prob = tf.placeholder(tf.float32)

# 定义模型结构
# 隐藏层输出，使用relu作为激活函数
hidden1 = tf.nn.relu(tf.matmul(x,w1)+b1)
# 隐藏层的dropout，keep_prob表示比率 <1
hidden1_drop = tf.nn.dropout(hidden1,keep_prob)
# softmax函数取概率大的作为输出
y = tf.nn.softmax(tf.matmul(hidden1_drop,w2)+b2)

# 真是值（标签）的输入占位符
y_ = tf.placeholder(tf.float32,[None,10])
# 损失函数使用交叉信息熵
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
# 使用Adagrad优化器，学习率设置为0.3（还有Adam，Adadelta等优化器）
train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)

# 训练步骤
# 初始化计算图变量
tf.global_variables_initializer().run()
# 迭代3000次，一个batch大小为100，一共30万个样本
# 30万个样本，每次epoch一次数据有5500，相当于5次（30万/5500）多epoch
for i in range(3000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    # keep_prob = 0.75 表示保留75%节点
    train_step.run({x:batch_xs,y_:batch_ys,keep_prob:0.75})

# 对模型进行准确率评测
# tf.argmax(input,dims),返回最大数值的下标，通常和tf.equal用于计算模型精度
# dims = 1 按行操作，dims=0 按列操作
# tf.equal
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
# tf.cast()进行格式转换，将correct_prediction的bool型转换成float32然后求平均
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
# 因为是预测部分，我们可以直接把keep_prob设置为1
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0}))
未完...