• 学习进度笔记


    学习进度笔记10

    TensorFlow多层感知

    import tensorflow as tf  

    from tensorflow.examples.tutorials.mnist import input_data  

    import os  

    os.environ["CUDA_VISIBLE_DEVICES"]="0"  

      

    mnist=input_data.read_data_sets("/home/yxcx/tf_data",one_hot=True)  

    #Parameters  

    learning_rate=0.001  

    training_epochs=15  

    batch_size=100  

    display_step=1  

    #Network Parameters  

    n_hidden_1=256  

    n_hidden_2=256  

    n_input=784  

    n_classes=10  

    # tf Graph input  

    X=tf.placeholder("float",[None,n_input])  

    Y=tf.placeholder("float",[None,n_classes])  

    #Store layers weight & bias  

    weights={  

        "h1":tf.Variable(tf.random_normal([n_input,n_hidden_1])),  

        "h2":tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2])),  

        "out":tf.Variable(tf.random_normal([n_hidden_2,n_classes]))  

    }  

    biases={  

        'b1':tf.Variable(tf.random_normal([n_hidden_1])),  

        'b2':tf.Variable(tf.random_normal([n_hidden_2])),  

        'out':tf.Variable(tf.random_normal([n_classes]))  

    }  

    # Create model  

    def multiplayer_perceptron(x):  

        # Hidden fully connected layer with 256 neurons  

        layer_1=tf.add(tf.matmul(x,weights['h1']),biases['b1'])  

        #Hidden fully connected layer with 256 neurons  

        layer_2=tf.add(tf.matmul(layer_1,weights['h2']),biases['b2'])  

        #Output fully connected layer with a neuron for each class  

        out_layer=tf.matmul(layer_2,weights['out'])+biases['out']  

        return out_layer  

    #Construct model  

    logits=multiplayer_perceptron(X)  

    #Define loss and optimizer  

    loss_op=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(  

        logits=logits,labels=Y))  

    train_op=tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss_op)  

    # Initializing the variables  

    init=tf.global_variables_initializer()  

    with tf.Session() as sess:  

        sess.run(init)  

        #Training cycle  

        for epoch in range(training_epochs):  

            avg_cost=0  

            total_batch=int(mnist.train.num_examples/batch_size)  

            #loop over all batches  

            for i in range(total_batch):  

                batch_x,batch_y=mnist.train.next_batch(batch_size)  

                #Run optimizeation op and cost op to get loss value  

                _,c=sess.run([train_op,loss_op],feed_dict={X:batch_x,Y:batch_y})  

                #computer average loss  

                avg_cost+=c/total_batch  

            #Display logs per epoch step  

            if epoch % display_step==0:  

                print("Epoch:","%04d"%(epoch+1),"cost={:.9f}".format(avg_cost))  

        print("Optimization Finished!")  

        #Test model  

        pred=tf.nn.softmax(logits)  

        correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(Y,1))  

        # Calculate accuracy  

        accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))  

        print("Accuracy:",accuracy.eval({X:mnist.test.images,Y:mnist.test.labels}))  

  • 相关阅读:
    php 小知识随手记 new self() 和new static()作用和区别
    静态页面制作:16结构与表现分离
    静态页面制作:15标签样式初始化
    静态页面制作:14综合实践
    静态页面制作:13padding的用法
    静态页面制作:12盒模margin特殊情况
    静态页面制作:11盒子模型
    通过JavaScript实现打印页面
    静态页面制作:10样式实战
    Handsontable-一款仿 Excel 的效果的表格插件使用总结
  • 原文地址:https://www.cnblogs.com/xueqiuxiang/p/14466977.html
Copyright © 2020-2023  润新知