これは、パラメータを変更することなく、複数で試験の精度は、98％に99.1％まで変化形而上
参考リンク：「シンプルで、粗Tensorflow」、ブラスタ
tensorflowインポートAS TF インポートnumpyのAS NP クラスMNISTLoader（）： DEF __init __（自己）： MNIST = tf.keras.datasets.mnist （self.train_data、self.train_label）、（self.test_data、self.test_label） = MNIST。 LOAD_DATA（） ＃のMNIST画像のデフォルトがuint8（0 -255数）。それらの0-正規化された次のコードは、浮動小数点数1とカラー次元チャンネルとして最後に追加間 self.train_data = np.expand_dims（self.train_data.astype（np.float32）/ 255.0、軸= - 1）＃[ 60000、28、28、1 ] self.test_data = np.expand_dims（self.test_data.astype（np.float32）/ 255.0、軸= - 。1）＃[ 10000、28、28、1。] self.train_label = self.train_label.astype（np.int32） ＃[ 60000 ] self.test_label = self.test_label.astype（np.int32）＃[ 10000 ] self.num_train_data、self.num_test_data = self.train_data.shape [ 0 ]、self.test_data.shape [ 0 ] DEF get_batch（セルフ、BATCH_SIZE）： データ戻るからランダムに採取＃濃縮BATCH_SIZE要素 インデックス= np.random.randint（0、np.shape（self.train_data）[ 0 ]、BATCH_SIZE） 戻りself.train_data [インデックス、：]、self.train_label [インデックス] ＃tf.keras.layers.Conv2D（ ＃フィルタ、kernel_size、ストライド =（1、1）、パディング= ' 有効'、DATA_FORMAT = なし、 ＃dilation_rate =（1、1）、活性化=なし、use_bias = 真、 ＃kernel_initializer = ' glorot_uniform '、bias_initializer = ' ゼロ' 、 ＃kernel_regularizer =なし、bias_regularizer =なし、activity_regularizer = なし、 ＃kernel_constraint =なし、bias_constraint =なし、** kwargsから ＃） ＃フィルタ：整数、空間の次元フィルタの出力（出力IEザ・ナンバーでコンボリューション）。 ＃kernel_size：整数受容野またはアンタプルの/リスト2つの整数、ウィンドウ2D畳み込みの高さと幅を指定する。 ＃ストライド：垂直方向と水平方向のストライド ＃パディング：有効：廃棄されるコンボリューションカーネルのサイズのブロックを表していません。それは同じの大きさは、ブロック0、同じ形状の出力と入力作るのに十分ではありません畳み込みカーネルを表す クラス：CNN（tf.keras.Model） DEF __init __（自己を）： スーパー（）__ .__のinit（） self.conv1 =tf.keras.layers.Conv2D（ フィルタ、 = 32 、＃ニューロン畳み込み（コンボリューション）数 kernel_size = [ 5、5 ]、＃受容野サイズの パディング = ' と同じ' 、＃パディングポリシー（又はvaild同じ） 活性化 = tf.nn.relu＃活性化関数 ） self.pool = tf.keras.layers.MaxPool2D（POOL_SIZE = [ 2、2 ]、ストライド= 2 ） self.conv2 = tf.keras.layers.Conv2D（ フィルタ = 64 = [ kernel_size 5、5 ]、 パディング = ' 同じ' 、 活性化 = tf.nn.relu ） self.flatten = tf.keras.layers.Reshape（target_shape =（7 * 7 * 64 ）） self.dense1 = tf.keras .layers.Dense（単位= 1024、活性化= tf.nn.relu） self.dense2 = tf.keras.layers.Dense（単位= 10 ） DEF（自己、入力）呼び出し： X = self.conv1（入力）＃ [バッチサイズ、28、28、32 ] X = self.pool（X）＃[BATCH_SIZE、14、14、32 ] X = self.conv2（X）＃[BATCH_SIZE、14、14、64 ] X = self.pool（X）＃[ BATCH_SIZE、7、7、64 ] X = self.flatten（X）＃[BATCH_SIZE、7 * 7 * 64 ] X= self.dense1（X）＃[BATCH_SIZE、1024 ] X = self.dense2（X）＃[BATCH_SIZE、10 ] 出力 = tf.nn.softmax（X） リターン出力 num_epochs = 5 BATCH_SIZE = 50 learning_rate = 0.001 モデル = CNN（） data_loader = MNISTLoader（） オプティマイザ = tf.keras.optimizers.Adam（learning_rate = learning_rate） num_batches = INT（data_loader.num_train_data //* num_epochs BATCH_SIZE） 用 batch_index における範囲（num_batches）： X-、Y = data_loader.get_batch（BATCH_SIZE）＃は、ランダムデータからデータセットの部分を選択 tf.GradientTape（）とAS ：テープ y_pred = 予測値＃与えるモデル（X-） 損失 tf.keras.losses.sparse_categorical_crossentropy =（Y = y_true、y_pred = y_pred）＃損失算出 損失 = tf.reduce_mean（損失） プリント（" バッチ％のD：損失％F "％（batch_index、loss.numpy（））） GrADSの = tape.gradient（損失、model.variables）#calc卒業生 optimizer.apply_gradientsは（grads_and_varsは =ZIP（GrADSの、model.variables））#update GrADSの ＃tf.keras.metrics.SparseCategoricalAccuracy推定器 ＃は理解していない理由をチェックバッチ予測値 sparse_categorical_accuracy = tf.keras.metrics.SparseCategoricalAccuracy（） num_batches = INT（data_loader.num_test_data // BATCH_SIZE） 用 batch_index における範囲（num_batches）： START_INDEX、END_INDEX = batch_index BATCH_SIZE *、（+ batch_index 。1）* BATCH_SIZEの ＃model.predictテストデータ入力、及び出力予測結果 y_pred = model.predict （data_loader.test_data [START_INDEX：END_INDEX]） sparse_categorical_accuracy.update_state（y_true = data_loaderを。 test_label [START_INDEX：END_INDEX] y_pred =y_pred） プリント（" 試験精度：％F "％のsparse_categorical_accuracy.result（））