在TensorFlow上利用mnist数据集训练神经网络模型

import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 在tensorflow的log日志等级如下：
# - 0：显示所有日志（默认等级）
# - 1：显示info、warning和error日志
# - 2：显示warning和error信息
# - 3：显示error日志信息
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2'

# MNIST_data是个.zip压缩文件 保存在跟py文件同样路径下
mnist_set = input_data.read_data_sets('./MNIST_data', one_hot=True)


batch_size = 32  # batch_size 批大小，根据自己的gup内存大小设置
batch_num = mnist_set.train.num_examples // batch_size  # 每批样本数量 // 在python语法中表示整除 向下取整

#  定义两个占位符
x = tf.placeholder(tf.float32,[None,784])
y_data = tf.placeholder(tf.float32,[None,10])

# build a simple network
weight = tf.Variable(initial_value=tf.truncated_normal([784,10]))
bias = tf.Variable(initial_value=tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,weight) + bias)

# train stage
# loss
loss = tf.reduce_mean(tf.square(y_data - prediction))
# optimize
train_op = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#  test stage
# tf.argmax 返回一维中最大值的位置
# 比如
# a = [[2,3,2,0]
#     [3,5,2,9]
#     [2,7,6,2]]
# tf.argmax(a,0) 0 表示按列处理
#  结果[1,2,2,1]
# tf.argmax(a,1) 1 表示按行处理
#  结果[1,3,1]
correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(y_data,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(1,51):
        for batch in range(batch_num):
            batch_x, batch_y = mnist_set.train.next_batch(batch_size)
            sess.run(train_op,feed_dict={x:batch_x,y_data:batch_y})
        acc = sess.run(accuracy,feed_dict={x:mnist_set.test.images,y_data:mnist_set.test.labels})
        print('第%d代：测试正确率为：%s' % (epoch, acc))

结果如下

Extracting ./MNIST_data\train-images-idx3-ubyte.gz
Extracting ./MNIST_data\train-labels-idx1-ubyte.gz
Extracting ./MNIST_data\t10k-images-idx3-ubyte.gz
Extracting ./MNIST_data\t10k-labels-idx1-ubyte.gz
第1代：测试正确率为：0.2348
第2代：测试正确率为：0.3211
第3代：测试正确率为：0.4589
第4代：测试正确率为：0.5411
第5代：测试正确率为：0.583
第6代：测试正确率为：0.6128
第7代：测试正确率为：0.6417
第8代：测试正确率为：0.6665
第9代：测试正确率为：0.6897
第10代：测试正确率为：0.7075
第11代：测试正确率为：0.7209
第12代：测试正确率为：0.7311
第13代：测试正确率为：0.7406
第14代：测试正确率为：0.7484
第15代：测试正确率为：0.7543
第16代：测试正确率为：0.7597
第17代：测试正确率为：0.7635
第18代：测试正确率为：0.7679
第19代：测试正确率为：0.7717
第20代：测试正确率为：0.7748
第21代：测试正确率为：0.7787
第22代：测试正确率为：0.7807
第23代：测试正确率为：0.7855
第24代：测试正确率为：0.7919
第25代：测试正确率为：0.8064
第26代：测试正确率为：0.8317
第27代：测试正确率为：0.8476
第28代：测试正确率为：0.8571
第29代：测试正确率为：0.8641
第30代：测试正确率为：0.8676
第31代：测试正确率为：0.8712
第32代：测试正确率为：0.8734
第33代：测试正确率为：0.8757
第34代：测试正确率为：0.8775
第35代：测试正确率为：0.8799
第36代：测试正确率为：0.8819
第37代：测试正确率为：0.8828
第38代：测试正确率为：0.8842
第39代：测试正确率为：0.8861
第40代：测试正确率为：0.8866
第41代：测试正确率为：0.8883
第42代：测试正确率为：0.889
第43代：测试正确率为：0.8893
第44代：测试正确率为：0.8899
第45代：测试正确率为：0.8918
第46代：测试正确率为：0.8919
第47代：测试正确率为：0.8919
第48代：测试正确率为：0.8934
第49代：测试正确率为：0.8934
第50代：测试正确率为：0.8943

在TensorFlow上利用mnist数据集训练神经网络模型

猜你喜欢