博文配套视频课程：24小时实现从零到AI人工智能

DNN模型代码

# 完成图形图像的加载 (分辨率和尺寸相同)
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

# 通过函数下载或者加载本地的图片资源，建议设置one_hot=True
mnist = input_data.read_data_sets("../data/input_data", one_hot=True)
# 训练的时候不会一次性加载55000，因此需要采用占位符
X = tf.placeholder(tf.float32, [None, 784],name="X")
y_true = tf.placeholder(tf.float32, [None, 10],name="y_true")

#  创建第一个隐藏层: [None,784] matmul [784,500] ==> [None,500]
W1 = tf.Variable(tf.random.normal([784, 500]),name="W1")
b1 = tf.Variable(tf.random.normal([500]),name="b1")
L1 = tf.nn.tanh(tf.matmul(X, W1) + b1,name="L1")  # [None,500]

#  创建第二个隐藏层: [None,500] matmul [500,300] ==> [None,300]
W2 = tf.Variable(tf.random.normal([500, 300]),name="W2")
b2 = tf.Variable(tf.random.normal([300]),name="b2")
L2 = tf.nn.tanh(tf.matmul(L1, W2) + b2,name="L2")

# 输出层,有多少个类别,将会有多少个输出神经元
W3 = tf.Variable(tf.random.normal([300, 10]),name="W")
b3 = tf.Variable(tf.random.normal([10]),name="b3")
y_predict = tf.add(tf.matmul(L2, W3),b3,name="y_predict")  # matmul == dot
# softmax: 就是把向量值归一化到[0,1]之间,总和为1
# y_predict = tf.nn.softmax(y_predict)
# loss = -tf.reduce_mean(y_true * tf.log(y_predict))
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict),name="loss")
# 采用梯度下降公式来减少误差值: 学习率 0,1之间
train_op = tf.train.GradientDescentOptimizer(0.05).minimize(loss)
# 获取神经网络每次运行的正确率
result = tf.equal(tf.argmax(y_predict, axis=1), tf.argmax(y_true, axis=1))
result = tf.cast(result, tf.float32)
accuracy = tf.reduce_mean(result,name="accuracy")
# 收集需要观察的变量
tf.summary.scalar("losses",loss)
tf.summary.scalar("accuracy",accuracy)
# 合并tensor,此方法会生成一个op
merged = tf.summary.merge_all()
# 定义一个保存模型的实例
saver = tf.train.Saver()

# 通过会话连接graph图
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    fileWriter = tf.summary.FileWriter(logdir="../data/",graph=sess.graph)
    for i in range(2000):  # 100 次  70%   1000  85%   2000  94%    5000   95%
        # 每一次获取指定数量的样本和样本的目标值
        mnist_x, mnist_y = mnist.train.next_batch(55)
        d = {X: mnist_x, y_true: mnist_y}
        sess.run(train_op, feed_dict=d)
        print(f'第{i + 1}次训练的正确率为:{sess.run(accuracy, feed_dict=d)}')
        # 运行合并的op,然后把结果保存到硬盘中
        summary = sess.run(merged,feed_dict=d)
        fileWriter.add_summary(summary,i)