# TF之LSTM：利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练、评估(偶尔100%准确度，交叉熵验证)

+关注继续查看

## 代码设计

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

lr=0.001

training_iters=100000

batch_size=128

n_inputs=28

n_steps=28

n_hidden_units=128

n_classes=10

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

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

weights ={

'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),

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

}

biases ={

'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_units,])),

'out':tf.Variable(tf.constant(0.1,shape=[n_classes,])),

}

def RNN(X,weights,biases):

X=tf.reshape(X,[-1,n_inputs])

X_in=tf.matmul(X,weights['in'])+biases['in']

X_in=tf.reshape(X_in,[-1,n_steps,n_hidden_units])

lstm_cell=tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units,forget_bias=1.0,state_is_tuple=True)

__init__state=lstm_cell.zero_state(batch_size, dtype=tf.float32)

outputs,states=tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=__init__state,time_major=False)

outputs=tf.unpack(tf.transpose(outputs, [1,0,2]))

results=tf.matmul(outputs[-1],weights['out'])+biases['out']

return results

pred =RNN(x,weights,biases)

cost =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))

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

accuracy=tf.reduce_mean(tf.cast(correct_pred,tf.float32))

<br>

with tf.Session() as sess:

sess.run(init)

step=0

while step*batch_size < training_iters:

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

batch_xs=batch_xs.reshape([batch_size,n_steps,n_inputs])

sess.run([train_op],feed_dict={

x:batch_xs,

y:batch_ys,})

if step%20==0:

print(sess.run(accuracy,feed_dict={

x:batch_xs,

y:batch_ys,}))

step+=1

PostgreSQL不同模式(SCHEMA)之间迁移数据
PostgreSQL不同模式(SCHEMA)之间迁移数据。
8043 0
Python中关于类和函数的初体验之"__init__"和"__str__"不是"_init_"和"_str_"

747 0
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测（二）
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测
21 0
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测（一）
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测
31 0
[Unity3d]Unity系统自带函数生命周期以及相互关系
Unity脚本从唤醒到销毁都有着一套比较完善的生命周期，添加任何脚本都要遵守生命周期法则！ 接下来介绍几种系统自调用的重要方法。首先要我们先来说明一下它们的执行顺序： Awake --> Start --> Update --> FixedUpdate --> LateUpdate -->OnGUI -->Reset --> OnDisable -->OnDestroy 下面我们针对每一个方法进行详细的说明： 1.Awake：用于在游戏开始之前初始化变量或游戏状态。
1019 0

729 0

1641 0
+关注

1701

0

《SaaS模式云原生数据仓库应用场景实践》

《看见新力量：二》电子书