TF之DNN:利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程-阿里云开发者社区

开发者社区> 一个处女座的程序猿> 正文

TF之DNN:利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程

简介: TF之DNN:利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程
+关注继续查看

输出结果

image.png



案例理解DNN过程思路


1、一张图像数组形状的变化:输入一个由784 个元素(28*28的二维数组)构成的一维数组后,输出一个有10个元素的一维数组。这是只输入一张图像数据时的处理流程。


image.png


2、批处理中数组形状的变化:考虑打包输入多张图像的情形。比如,我们想用predict()函数一次性打包处理100张图像。为此,可以把x的形状改为100 × 784,将100 张图像打包作为输入数据。,输入数据的形状为100 × 784,输出数据的形状为

100 × 10。这表示输入的100 张图像的结果被一次性输出了。比如,x[0]和y[0]中保存了第0 张图像及其推理结果,x[1]和y[1]中保存了第1 张图像及其推理结果,等等。这种打包式的输入数据称为批(batch)。批有“捆”的意思,图像就如同纸币一样扎成一捆。

image.png





代码设计

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

#实现的神经网络共有三层,输入层有 784 个神经元,隐藏层与输出层分别有 500 和 10 个神经元。这所以这样设计是因为 MNIST 的像素为 28×28=784,所以每一个输入神经元对应于一个灰度像素点。批量大小为 100并使用学习率衰减的情况下迭代 10000 步能得到 98.34% 的测试集准确度,

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#加载MNIST数据集

mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True)

INPUT_NODE = 784

OUTPUT_NODE = 10

LAYER1_NODE = 500

BATCH_SIZE = 100

     

# 模型相关的参数

LEARNING_RATE_BASE = 0.8

LEARNING_RATE_DECAY = 0.99

REGULARAZTION_RATE = 0.0001

TRAINING_STEPS = 10000

MOVING_AVERAGE_DECAY = 0.99

def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):

# 使用滑动平均类

   if avg_class == None:

       layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)

       return tf.matmul(layer1, weights2) + biases2

   else:

       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)  

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')  

   # 生成隐藏层的参数。

   weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))

   biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))

   # 生成输出层的参数。

   weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))

   biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))

 

   # 计算不含滑动平均类的前向传播结果

   y = inference(x, None, weights1, biases1, weights2, biases2)

   # 定义训练轮数及相关的滑动平均类

   global_step = tf.Variable(0, trainable=False)

   variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)

   variables_averages_op = variable_averages.apply(tf.trainable_variables())

   average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)

   # 计算交叉熵及其平均值

   cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))

   cross_entropy_mean = tf.reduce_mean(cross_entropy)

   # 定义交叉熵损失函数加上正则项为模型损失函数

   regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)

   regularaztion = regularizer(weights1) + regularizer(weights2)

   loss = cross_entropy_mean + regularaztion

   # 设置指数衰减的学习率。

   learning_rate = tf.train.exponential_decay(

       LEARNING_RATE_BASE,

       global_step,

       mnist.train.num_examples / BATCH_SIZE,

       LEARNING_RATE_DECAY,

       staircase=True)

   # 随机梯度下降优化器优化损失函数,使用梯度下降优化器来优化权重。然而,TensorFlow 中还有很多优化器,最常用的是 GradientDescentOptimizer、AdamOptimizer 和 AdaGradOptimizer。

   train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

   # 反向传播更新参数和更新每一个参数的滑动平均值

   with tf.control_dependencies([train_step, variables_averages_op]):

       train_op = tf.no_op(name='train')

   # 计算准确度

   correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))

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

# 初始化会话并开始训练过程。

   with tf.Session() as sess:

       tf.global_variables_initializer().run()

       validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}

       test_feed = {x: mnist.test.images, y_: mnist.test.labels}

       # 循环地训练神经网络。

       for i in range(TRAINING_STEPS):

           if i % 1000 == 0:

               validate_acc = sess.run(accuracy, feed_dict=validate_feed)

               print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))

           xs,ys=mnist.train.next_batch(BATCH_SIZE)

           sess.run(train_op,feed_dict={x:xs,y_:ys})

       test_acc=sess.run(accuracy,feed_dict=test_feed)

       print(("After %d training step(s), test accuracy using average model is %g" %(TRAINING_STEPS, test_acc)))

       

   

avg_class = None        

train(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。

相关文章
Python编程语言学习:利用locals函数判断某个变量参数之前是否已经被定义/存在/出现
Python编程语言学习:利用locals函数判断某个变量参数之前是否已经被定义/存在/出现
15 0
QT编写图片数据转换工具
学习QT已经一个月了,觉得QT真是个好东西,他的这种跨平台机制简直太棒了!还有QML这东西,真牛B!在这段学习期间,因为一个项目的需要,需要将图片转成数据,然后传出去,那边接收到数据后再对应转换成图片,才有了下面这个小工具,开发环境:QT 4.7.0,在LINUX下面重新编译也可以在LINUX下面运行,代码不用改!先放张截图吧。
739 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
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1701
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载