基于tensorflow实现mnist手写识别 （多层神经网络）

标题党其实也不多，一个输入层，三个隐藏层，一个输出层

老样子先上代码

导入mnist的路径很长，现在还记不住

import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
import numpy as np
import matplotlib.pyplot as plt
from time import time
mnist =  input_data.read_data_sets("data/",one_hot = true)
#导入tensorflwo和mnist数据集等 常用库

　　

设置输入层，x为样本数据，y是标签值

x 784是因为28*28，none是因为不知道需要用多少样本

y 10是因为 0~9的预测输出,none理由同上

x = tf.placeholder(tf.float32,[none,784],name='x')
y = tf.placeholder(tf.float32,[none,10],name='y')

3层这样写有点啰嗦 下一版有个用函数实现的比这个好。

tf.truncated_normal([784,h1_nn],stddev = 0.1)以截断正态分布的随机初始化，数学原理不解释(budong),反正大小控制在stddev里面 方便后面训练

h1_nn = 256 #第一层神经元节点数
h2_nn = 64 #第二层神经元节点数
h3_nn = 32 #第三层神经元节点数
#第一层
w1 = tf.variable(tf.truncated_normal([784,h1_nn],stddev = 0.1))
b1 = tf.variable(tf.zeros(h1_nn))
#第二层
w2 = tf.variable(tf.truncated_normal([h1_nn,h2_nn],stddev = 0.1))
b2 = tf.variable(tf.zeros(h2_nn))
#第三层
w3 = tf.variable(tf.truncated_normal([h2_nn,h3_nn],stddev = 0.1))
b3 = tf.variable(tf.zeros(h3_nn))
#输出层
w4 = tf.variable(tf.truncated_normal([h3_nn,10],stddev = 0.1)) 
b4 = tf.variable(tf.zeros(10))

输出 不多讲了 前三层使用了relu，最后输出因为是10分类所有使用了softmax

（今天写的时候记错了pred输出使用了loss函数的softmax计算导致程序报错，先记下来）

y1 = tf.nn.relu(tf.matmul(x,w1)+b1) #使用relu当作激活函数
y2 = tf.nn.relu(tf.matmul(y1,w2)+b2)#使用relu当作激活函数
y3 = tf.nn.relu(tf.matmul(y2,w3)+b3)#使用relu当作激活函数
forward = tf.matmul(y3,w4)+b4 
pred = tf.nn.softmax(forward)#输出层分类应用使用softmax当作激活函数

没错上面说的就是这个tf.nn.sofmax_cross_entropy_with_logits,不使用这个使用第一版的

#损失函数使用交叉熵
loss_function = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = forward,labels = y))

会因为log为0导致梯度爆炸 数学原理不太懂 以后补一下,会了再来填充

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

超参数设置啥的没啥好说，值得一提total_batch 好像是类似一个洗牌的函数

#设置训练参数
train_epochs = 50
batch_size = 50
total_batch = int(mnist.train.num_examples/batch_size) #随机抽取样本
learning_rate = 0.01
display_step = 1

优化器，（反向传播？）不确定 反正用来调整最优的w和b

#优化器
opimizer = tf.train.adamoptimizer(learning_rate).minimize(loss_function)

利用argmax对比预测结果和标签值，方便后面统计准确率

#定义准确率
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(pred,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

开始训练，后面会补一个保存和调用模型的代码不然以后模型大了 不保存都要程序跑一次才能用太费时间，这里print我把用format的删了 因为不太会用

#开始训练
sess = tf.session()
init = tf.global_variables_initializer()
starttime = time()
sess.run(init)
for epochs in range(train_epochs):
    for batch in range(total_batch):
        xs,ys = mnist.train.next_batch(batch_size)#读取批次数据
        sess.run(opimizer,feed_dict={x:xs,y:ys})#执行批次数据训练
    
    #total_batch个批次训练完成后，使用验证数据计算误差与准确率
    loss,acc =  sess.run([loss_function,accuracy],
                        feed_dict={
                            x:mnist.validation.images,
                            y:mnist.validation.labels})
    #输出训练情况
    if(epochs+1) % display_step == 0:
        epochs += 1 
        print("train epoch:",epochs,
               "loss=",loss,"accuracy=",acc)
duration = time()-starttime
print("trian finshed takes:","{:.2f}".format(duration))#显示预测耗时

最后50轮训练后准确率是0.97左右 已经收敛了

使用测试集评估模型

#评估模型
accu_test =  sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("model accuracy:",accu_test)

　　准确率0.9714，还行

到这里就结束了，最后把完整代码放上来 方便以后看

import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
import numpy as np
import matplotlib.pyplot as plt
from time import time
mnist =  input_data.read_data_sets("data/",one_hot = true)
#导入tensorflwo和mnist数据集等 常用库
x = tf.placeholder(tf.float32,[none,784],name='x')
y = tf.placeholder(tf.float32,[none,10],name='y')
h1_nn = 256 #第一层神经元节点数
h2_nn = 64 #第二层神经元节点数
h3_nn = 32 #第三层神经元节点数
#第一层
w1 = tf.variable(tf.truncated_normal([784,h1_nn],stddev = 0.1))
b1 = tf.variable(tf.zeros(h1_nn))
#第二层
w2 = tf.variable(tf.truncated_normal([h1_nn,h2_nn],stddev = 0.1))
b2 = tf.variable(tf.zeros(h2_nn))
#第三层
w3 = tf.variable(tf.truncated_normal([h2_nn,h3_nn],stddev = 0.1))
b3 = tf.variable(tf.zeros(h3_nn))
#输出层
w4 = tf.variable(tf.truncated_normal([h3_nn,10],stddev = 0.1)) 
b4 = tf.variable(tf.zeros(10))
#计算结果
y1 = tf.nn.relu(tf.matmul(x,w1)+b1) #使用relu当作激活函数
y2 = tf.nn.relu(tf.matmul(y1,w2)+b2)#使用relu当作激活函数
y3 = tf.nn.relu(tf.matmul(y2,w3)+b3)#使用relu当作激活函数
forward = tf.matmul(y3,w4)+b4 
pred = tf.nn.softmax(forward)#输出层分类应用使用softmax当作激活函数
#损失函数使用交叉熵
loss_function = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = forward,labels = y))
#设置训练参数
train_epochs = 50
batch_size = 50
total_batch = int(mnist.train.num_examples/batch_size) #随机抽取样本
learning_rate = 0.01
display_step = 1
#优化器
opimizer = tf.train.adamoptimizer(learning_rate).minimize(loss_function)
#定义准确率
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(pred,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#开始训练
sess = tf.session()
init = tf.global_variables_initializer()
starttime = time()
sess.run(init)
for epochs in range(train_epochs):
    for batch in range(total_batch):
        xs,ys = mnist.train.next_batch(batch_size)#读取批次数据
        sess.run(opimizer,feed_dict={x:xs,y:ys})#执行批次数据训练
    
    #total_batch个批次训练完成后，使用验证数据计算误差与准确率
    loss,acc =  sess.run([loss_function,accuracy],
                        feed_dict={
                            x:mnist.validation.images,
                            y:mnist.validation.labels})
    #输出训练情况
    if(epochs+1) % display_step == 0:
        epochs += 1 
        print("train epoch:",epochs,
               "loss=",loss,"accuracy=",acc)
duration = time()-starttime
print("trian finshed takes:","{:.2f}".format(duration))#显示预测耗时
#评估模型
accu_test =  sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("model accuracy:",accu_test)

全部代码