TF之LiR:基于tensorflow实现手写数字图片识别准确率-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

TF之LiR:基于tensorflow实现手写数字图片识别准确率

简介: TF之LiR:基于tensorflow实现手写数字图片识别准确率

输出结果


Extracting MNIST_data\train-images-idx3-ubyte.gz

Please use tf.data to implement this functionality.

Extracting MNIST_data\train-labels-idx1-ubyte.gz

Please use tf.one_hot on tensors.

Extracting MNIST_data\t10k-images-idx3-ubyte.gz

Extracting MNIST_data\t10k-labels-idx1-ubyte.gz

Please use alternatives such as official/mnist/dataset.py from tensorflow/models.

Datasets(train=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x00000207535F9EB8>, validation=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x00000207611319E8>, test=<tensorflow.contrib.learn.python.learn.datasets.mnist.DataSet object at 0x0000020761131A20>)

迭代次数Epoch: 0001 下降值cost= 0.000000000

迭代次数Epoch: 0002 下降值cost= 0.000000000

迭代次数Epoch: 0003 下降值cost= 0.000000000

迭代次数Epoch: 0004 下降值cost= 0.000000000

迭代次数Epoch: 0005 下降值cost= 0.000000000

迭代次数Epoch: 0006 下降值cost= 0.000000000

迭代次数Epoch: 0007 下降值cost= 0.000000000

迭代次数Epoch: 0008 下降值cost= 0.000000000

迭代次数Epoch: 0009 下降值cost= 0.000000000

迭代次数Epoch: 0010 下降值cost= 0.000000000

迭代次数Epoch: 0011 下降值cost= 0.000000000

迭代次数Epoch: 0012 下降值cost= 0.000000000

迭代次数Epoch: 0013 下降值cost= 0.000000000

迭代次数Epoch: 0014 下降值cost= 0.000000000

迭代次数Epoch: 0015 下降值cost= 0.000000000

迭代次数Epoch: 0016 下降值cost= 0.000000000

……

迭代次数Epoch: 0099 下降值cost= 0.000000000

迭代次数Epoch: 0100 下降值cost= 0.000000000

Optimizer Finished!


代码设计

# -*- coding: utf-8 -*-

#TF之LiR:基于tensorflow实现手写数字图片识别准确率

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

print(mnist)

#设置超参数

lr=0.001                      #学习率

training_iters=100         #训练次数

batch_size=128                #每轮训练数据的大小,如果一次训练5000张图片,电脑会卡死,分批次训练会更好

display_step=1

#tf Graph的输入

x=tf.placeholder(tf.float32, [None,784])

y=tf.placeholder(tf.float32, [None, 10])

#设置权重和偏置

w =tf.Variable(tf.zeros([784,10]))

b =tf.Variable(tf.zeros([10]))

#设定运行模式

pred =tf.nn.softmax(tf.matmul(x,w)+b)  #

#设置cost function为cross entropy

cost =tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

#GD算法

optimizer=tf.train.GradientDescentOptimizer(lr).minimize(cost)

#初始化权重

init=tf.global_variables_initializer()

#开始训练

with tf.Session() as sess:

   sess.run(init)

   for epoch in range(training_iters):  #输入所有训练数据

       avg_cost=0.

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

       for i in range(total_batch): #遍历每个batch

           batch_xs,batch_ys=mnist.train.next_batch(batch_size)

           _, c=sess.run([optimizer,cost],feed_dict={x:batch_xs,y:batch_ys}) #把每个batch数据放进去训练

           avg_cost==c/total_batch

       if (epoch+1) % display_step ==0:  #显示每次迭代日志

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

   print("Optimizer Finished!")

   

   #测试模型

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

   accuracy=tf.equal_mean(tf.cast(correct_prediction),tf.float32)

   print("Accuracy:",accuracy_eval({x:mnist.test.image[:3000],y:mnist}))



版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章
最新文章
相关文章