没有合适的资源?快使用搜索试试~ 我知道了~
本文实例为大家分享了Tensorflow训练MNIST手写数字识别模型的具体代码,供大家参考,具体内容如下 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data INPUT_NODE = 784 # 输入层节点=图片像素=28x28=784 OUTPUT_NODE = 10 # 输出层节点数=图片类别数目 LAYER1_NODE = 500 # 隐藏层节点数,只有一个隐藏层 BATCH_SIZE = 100 # 一个训练包中的数据个数,数字越小 # 越接
资源详情
资源评论
资源推荐
Tensorflow训练训练MNIST手写数字识别模型手写数字识别模型
本文实例为大家分享了Tensorflow训练MNIST手写数字识别模型的具体代码,供大家参考,具体内容如下
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
INPUT_NODE = 784 # 输入层节点=图片像素=28x28=784
OUTPUT_NODE = 10 # 输出层节点数=图片类别数目
LAYER1_NODE = 500 # 隐藏层节点数,只有一个隐藏层
BATCH_SIZE = 100 # 一个训练包中的数据个数,数字越小
# 越接近随机梯度下降,越大越接近梯度下降
LEARNING_RATE_BASE = 0.8 # 基础学习率
LEARNING_RATE_DECAY = 0.99 # 学习率衰减率
REGULARIZATION_RATE = 0.0001 # 正则化项系数
TRAINING_STEPS = 30000 # 训练轮数
MOVING_AVG_DECAY = 0.99 # 滑动平均衰减率
# 定义一个辅助函数,给定神经网络的输入和所有参数,计算神经网络的前向传播结果
def inference(input_tensor, avg_class, weights1, biases1,
weights2, biases2):
# 当没有提供滑动平均类时,直接使用参数当前取值
if avg_class == None:
# 计算隐藏层前向传播结果
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
# 计算输出层前向传播结果
return tf.matmul(layer1, weights2) + biases2
else:
# 首先计算变量的滑动平均值,然后计算前向传播结果
layer1 = tf.nn.relu(
tf.matmul(input_tensor, avg_class.average(weights1)) +
avg_class.average(biases1))
return tf.matmul(
layer1, avg_class.average(weights2)) + avg_class.average(biases2)
# 训练模型的过程
def train(mnist):
x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
# 生成隐藏层参数
weights1 = tf.Variable(
tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
# 生成输出层参数
weights2 = tf.Variable(
tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
# 计算前向传播结果,不使用参数滑动平均值 avg_class=None
y = inference(x, None, weights1, biases1, weights2, biases2)
# 定义训练轮数变量,指定为不可训练
global_step = tf.Variable(0, trainable=False)
# 给定滑动平均衰减率和训练轮数的变量,初始化滑动平均类
variable_avgs = tf.train.ExponentialMovingAverage(
MOVING_AVG_DECAY, global_step)
# 在所有代表神经网络参数的可训练变量上使用滑动平均
variables_avgs_op = variable_avgs.apply(tf.trainable_variables())
# 计算使用滑动平均值后的前向传播结果
weixin_38638163
- 粉丝: 3
- 资源: 975
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0