使用softmax函数识别mnist数据集
运行环境
ubuntu16.04
python2.7
tensorflow-gpu 1.4
代码
# coding: utf-8
# 导入tensorflow模块
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 创建一个占位符,用来代表待识别图片
x = tf.placeholder(tf.float32, [None, 784])
# 创建一个占位符,用来代表图像的实际标签
y_ = tf.placeholder(tf.float32, [None, 10])
# 定义变量W
W = tf.Variable(tf.zeros([784, 10]))
# 定义变量b
b = tf.Variable(tf.zeros([10]))
# 定义模型输出
y = tf.nn.softmax(tf.matmul(x, W) + b)
# 定义损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y)))
# 对参数进行优化
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 创建session
sess = tf.InteractiveSession()
# 初始化所有变量,分配内存
tf.global_variables_initializer().run()
# 进行1000步梯度下降
for _ in range(1000):
# 一个batch设为100张图片
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# 正确的预测结果,tf.argmax(y, 1)表示按行找最大值
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 计算准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 显示结果
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
实验结果
可以看到准确率为0.9062
转载:https://blog.csdn.net/unicorn963/article/details/102313488
查看评论