mnist手写字体识别之BP.zip

mnist手写字体识别之BP,包括了python代码，mnist手写字体数据集，本科实验作业，讲的是BP神经网络算法的实现

import tensorflow as tf
from  tensorflow.examples.tutorials.mnist  import  input_data
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets（“MNIST_data/“ one_hot = True）

#建立BP神经网络模型
num_classes = 10#数据类型0-9
input_size = 784#28*28
hidden_units_size = 30#层节点数
batch_size = 1000#
training_iterations = 1#迭代次数

# 设置变量
X = tf.placeholder （tf.float32 shape = [None input_size]）
Y = tf.placeholder （tf.float32 shape = [None num_classes]）
W1 = tf.Variable （tf.random_normal （[input_size hidden_units_size]stddev = 0.1））#hidden_units_size = 30#正态分布随机数
B1 = tf.Variable （tf.constant （0.1）[hidden_units_size]）#常数为1，形状为（11）
W2 = tf.Variable （tf.random_normal （[hidden_units_sizenum_classes] stddev = 0.1））#正态分布随机数
B2 = tf.Variable （tf.constant （0.1） [num_classes]）
# 搭建计算网络 使用 relu 函数作为激励函数 这个函数就是 y = max （0x） 的一个类似线性函数 拟合程度还是不错的

#隐藏层
hidden_opt = tf.matmul （X W1） + B1#矩阵运算
hidden_opt = tf.nn.relu （hidden_opt）#激活函数

#输出层
final_opt = tf.matmul （hidden_opt W2） + B2#矩阵运算
final_opt = tf.nn.relu （final_opt）#激活函数最终的输出结果

c = tf.square（Y - final_opt）
loss = tf.reduce_mean（c）
#loss = tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits （labels = Y logits = final_opt））#损失函数交叉熵方法
opt = tf.train.GradientDescentOptimizer （0.1）.minimize （loss）
print（opt）
correct_prediction = tf.equal （tf.argmax （Y 1） tf.argmax （final_opt 1））
accuracy = tf.reduce_mean （tf.cast （correct_prediction ‘float‘））#将张量转化成float
# 进行计算 打印正确率初始化
sess = tf.Session （）#生成能进行TensorFlow计算的类
init = tf.global_variables_initializer （）#全局变量
sess.run （init）
for i in range （training_iterations） :
    batch = mnist.train.next_batch （batch_size）#每次迭代选用的样本数100
    batch_input = batch[0]
    batch_labels = batch[1]
    training_loss = sess.run （[opt loss] feed_dict = {X: batch_input Y: batch_labels}）
    if （i+1） % 1000 == 0 :
        train_accuracy = sess.run （accuracy feed_dict = {X: batch_inputY: batch_labels}）
        print （“step : %d training accuracy = %g “ % （i+1 train_accuracy））
###测试集输出结果可视化
def res_Visual（n）:
    #sess=tf.Session（）
    #sess.run（tf.global_variables_initializer（））
    final_opt_a=sess.run（tf.argmax （final_opt 1）feed_dict = {X: mnist.test.imagesY: mnist.test.labels}）
    plt.title（final_opt_a[n]）
    print（final_opt）
    #图片可视化展示
    img = mnist.test.images[n].reshape（（2828））#读取每行数据，格式为Ndarry
    plt.imshow（img cmap=‘Greys‘ interpolation=‘nearest‘）#可视化
    plt.show（）
res_Visual（14）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-06-21 12:45  作业四 BP神经网络\MNIST_data\
     文件     1648877  2019-06-10 15:18  作业四 BP神经网络\MNIST_data\t10k-images-idx3-ubyte.gz
     文件        4542  2019-06-10 15:18  作业四 BP神经网络\MNIST_data\t10k-labels-idx1-ubyte.gz
     文件     9912422  2019-06-10 15:18  作业四 BP神经网络\MNIST_data\train-images-idx3-ubyte.gz
     文件       28881  2019-06-10 15:18  作业四 BP神经网络\MNIST_data\train-labels-idx1-ubyte.gz
     文件        2873  2019-06-13 14:48  作业四 BP神经网络\bp.py
     目录           0  2019-06-21 12:45  作业四 BP神经网络\