文章目录

  • TensorFlow简单实例：
  • 简单实例：
  • 解析如下：
  • 载入数据集
  • 每个批次的大小
  • 计算一个多少个批次
  • 定义两个placeholder
  • 创建一个简单的神经网络,**(可优化隐藏层神经元)**
  • 二次代价函数 **(交叉熵 可优化)**
  • 梯度下降 **（学习率，优化方式 可优化）**
  • 初始化变量
  • 结果存放到一个布尔型列表中
  • 求准确率


TensorFlow简单实例：

在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使tf.global_variables_initializer。

简单实例：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size=100

#计算一个多少个批次
n_batch=mnist.train.num_example //batch_size

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络,(可优化隐藏层神经元)
W=tf.Variable(tf.zeros([784,10]))#初始值
b=tf.Variable(tf.zeros([10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数（交叉熵 可优化）
loss=tf.reduce_mean(tf.square(y-prediction))
#梯度下降（学习率，优化方式  可优化   ）
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init=tf.global_varibles_initializer()

#结果存放到一个布尔型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))  #argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):#（次数可改）
        for batch in range (n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict=(x:batch_xs,y:batch_ys))

        acc=sess.run(accuracy,feed_dict=(x:mnist.test.images,y:mnist.test.labels))
        print("Iter"+str(epoch)+",Testing Accuracy"+str(acc))

解析如下：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

载入数据集

mnist = input_data.read_data_sets(“MNIST_data”,one_hot=True)
read_data_sets()函数 下载数据集

每个批次的大小

batch_size=100

计算一个多少个批次

n_batch=mnist.train.num_example //batch_size
//表示取整除

定义两个placeholder

x，y是要不断接收外部数据的，为了接收数据就需要为x，y定义placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

创建一个简单的神经网络,(可优化隐藏层神经元)

W=tf.Variable(tf.zeros([784,10])) （可优化初始值）
tf.Variable(initializer,name),参数initializer是初始化参数，name是可自定义的变量名称
b=tf.Variable(tf.zeros([10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)
tf.matmul（）将矩阵a乘以矩阵b，生成a * b
Softmax的含义：Softmax简单的说就是把一个N*1的向量归一化为（0，1）之间的值，由于其中采用指数运算，使得向量中数值较大的量特征更加明显。

二次代价函数 (交叉熵 可优化)

loss=tf.reduce_mean(tf.square(y-prediction))
tf.square进行平方操作
tf.reduce_mean在tensor的某一维度上求平均值

梯度下降 （学习率，优化方式 可优化）

train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
0.2指的是学习率
minimize可以拆为以下两个步骤：
① 梯度计算
② 将计算出来的梯度应用到变量的更新中

初始化变量

init=tf.global_varibles_initializer()

结果存放到一个布尔型列表中

correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#argmax返回一维张量中最大的值所在的位置

求准确率

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

with tf.Session() as sess:
sess.run(init)
要先定义好整个图，然后才调用sess.run()
for epoch in range(21): （次数可改）
for batch in range (n_batch):
batch_xs,batch_ys=mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict=(x:batch_xs,y:batch_ys))
acc=sess.run(accuracy,feed_dict(x:mnist.test.images,y:mnist.test.labels))
print(“Iter”+str(epoch)+",Testing Accuracy"+str(acc))