基于Tensorflow多层神经网络的MNIST手写数字识别（数据集源码）.rar

基于Tensorflow多层神经网络的MNIST手写数字识别(数据集源码).rar

# @author ZwwIot
#!/usr/bin/env python
# coding: utf-8

# In[17]:


import tensorflow as tf
# 导入 MNIST 数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets（“/data/“ one_hot = True）


# In[18]:


# 参数设置
learning_rate = 0.001
training_epochs = 25
batch_size = 100
display_step = 1

# 网络参数
n_hidden_1 = 256# 1层网络神经元数
n_hidden_2 = 256# 2层网络神经元数
n_input = 784# MNIST data 输入 （img shape: 28*28）
n_classes = 10# MNIST 类别 （0-9 一共10类）

saver = tf.train.Saver（）# 保存
model_path = “log/520model.ckpt“

# tf Graph input
x = tf.placeholder（“float“ [None n_input]）
y = tf.placeholder（“float“ [None n_classes]）


# In[19]:


# Create model
def multilayer_perceptron（x weights biases）:
    # Hidden layer with RELU activation
    layer_1 = tf.add（tf.matmul（x weights[‘h1‘]）biases[‘b1‘]）
    layer_1 = tf.nn.relu（layer_1）
    # Hidden layer with RELU activation
    layer_2 = tf.add（tf.matmul（layer_1 weights[‘h2‘]）biases[‘b2‘]）
    layer_2 = tf.nn.relu（layer_2）
    # Output layer with linear activation
    out_layer = tf.matmul（layer_2 weights[‘out‘]） + biases[‘out‘]
    return out_layer


# In[20]:


# Store layers weight & bias
weights = {
    ‘h1‘: tf.Variable（tf.random_normal（[n_input n_hidden_1]））
    ‘h2‘: tf.Variable（tf.random_normal（[n_hidden_1 n_hidden_2]））
    ‘out‘: tf.Variable（tf.random_normal（[n_hidden_2 n_classes]））
}
biases = {
    ‘b1‘: tf.Variable（tf.random_normal（[n_hidden_1]））
    ‘b2‘: tf.Variable（tf.random_normal（[n_hidden_2]））
    ‘out‘: tf.Variable（tf.random_normal（[n_classes]））
}


# In[21]:


# 构建模型
pred = multilayer_perceptron（x weights biases）
# Define loss and optimizer
cost = tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits（logits = pred labels = y））
optimizer = tf.train.AdamOptimizer（learning_rate = learning_rate）.minimize（cost）

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


# In[25]:


# 启动session
with tf.Session（） as sess:
    sess.run（tf.global_variables_initializer（））
    # 启动循环开始训练
    for epoch in range（training_epochs）:
        avg_cost = 0.
        total_batch = int（mnist.train.num_examples/batch_size）# 每一轮训练多少批次
        # 遍历全部数据集
        for i in range（total_batch）:
            batch_xs batch_ys = mnist.train.next_batch（batch_size）
            # Run optimization op （backprop） and cost op （to get loss value）
            _ c = sess.run（[optimizer cost] feed_dict={x: batch_xs y: batch_ys}）
            # 计算平均值以使误差值更平均
            avg_cost += c / total_batch
            # print（“I:“ ‘%04d‘ % （epoch + 1） “cost=“ “{:.9f}“.format（avg_cost））
        # 显示训练中的详细信息
        if （epoch+1） % display_step == 0:
            print（“Epoch:“ ‘%04d‘ % （epoch+1） “cost=“ “{:.9f}“.format（avg_cost））
    print（“Finished!“）
    # 测试 model
    correct_prediction = tf.equal（tf.argmax（pred 1） tf.argmax（y 1））
    # 计算准确率
    accuracy = tf.reduce_mean（tf.cast（correct_prediction “float“））
    print（“Accuracy:“ accuracy.eval（{x: mnist.test.images y: mnist.test.labels}））
   
    

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4248  2018-12-23 23:55  MNIST多层分类.py

     文件    7840016  2016-11-02 19:39  MNIST DATA\MNIST DATA\test-images

     文件      10008  2016-11-02 19:39  MNIST DATA\MNIST DATA\test-labels

     文件   47040016  2016-11-02 19:39  MNIST DATA\MNIST DATA\train-images

     文件      60008  2016-11-02 19:39  MNIST DATA\MNIST DATA\train-labels

     目录          0  2018-12-23 23:56  MNIST DATA\MNIST DATA

     目录          0  2018-12-23 23:56  MNIST DATA

----------- ---------  ---------- -----  ----

             54954296                    7