MNIST 데이터 세트 2층 신경 네트워크 분류
3314 단어 TensorFlow 학습pyhon 학습컴퓨터 시각
MNIST 데이터 세트 2층 신경 네트워크 분류
>>> import tensorflow as tf
>>> from tensorflow.examples.tutorials.mnist import input_data
>>> mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)
// mnist
>>> x=tf.placeholder(tf.float32,[None,784])//
>>> y_=tf.placeholder(tf.float32,[None,10])//
>>> x_image=tf.reshape(x,[-1,28,28,1])
// 784 28*28
>>> def weight_variable(shape):
initial=tf.truncated_normal(shape,stddev=0.1)
return tf.Variable(initial)
// ,
>>> def bias_variable(shape):
initial=tf.constant(0.1,shape=shape)
return tf.Variable(initial)
//
>>> def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
//
>>> def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
//
#
>>> W_conv1=weight_variable([5,5,1,32])//
>>> b_conv1=bias_variable([32])//
>>> h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
>// , relu
>>> h_pool1=max_pool_2x2(h_conv1)
//
#
>>> W_conv2=weight_variable([5,5,32,64])
>>> b_conv2=bias_variable([64])
>>> h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
>>> h_pool2=max_pool_2x2(h_conv2)
#
>>> W_fc1=weight_variable([7*7*64,1024])
>>> b_fc1=bias_variable([1024])
>>> h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
>>> h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
>>> keep_prob=tf.placeholder(tf.float32)
>>> h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
// Dropout,keep_prob , 0.5, 1
전체 연결층에 Dropout을 넣는 것은 신경 네트워크의 과도한 의합을 방지하는 수단으로 매 단계의 훈련을 할 때 일정 확률로 네트워크 중의 일부 연결을 제거하지만 이것은 영구적인 것이 아니라 현재 단계에서만 제거하고 매번은 무작위로 제거한다.
>>> W_fc2=weight_variable([1024,10])
>>> b_fc2=bias_variable([10])
>>> y_conv=tf.matmul(h_fc1_drop,W_fc2)+b_fc2
// h_fc1_drop 10
>>> cross_entropy=tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y_conv))
// softmax
tf.nn.softmax_cross_entropy_with_logits
>>> train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
// Adam
>>> correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
>>> accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
//
>>> sess=tf.InteractiveSession()//
>>> sess.run(tf.global_variables_initializer())//
>>> for i in range(20000):
batch=mnist.train.next_batch(50)
// 20000 , batch 50
# 100
>>> if i%100==0:
train_accuracy=accuracy.eval(feed_dict={
x:batch[0],y_:batch[1],keep_prob:1.0})
print ("step %d,training accuracy %g" % (i,train_accuracy))
>>> train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
//
>>> print("test accuracy %g"%accuracy.eval(feed_dict={
x:mnist.test.images, y_:mnist.test.labels,keep_prob:1.0}))
//
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
densenet 기반 예비 훈련 모델 추가 pytorch 훈련 모델이 코드 는 densenet 기반 pytorch 에 예비 훈련 모델 을 추가 하 는 분류 방법 에 대해 공식 튜 토리 얼 을 바탕 으로 변경 되 었 습 니 다. 이 실험의 주요 목적 은 Imagenet 이나 다른 빅...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.