import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#載入資料集,one_hot:将标簽轉換為隻有一位為1,其它為0,會自動從網上下載下傳資料集到目前目錄
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
#每個批次的大小
batch_size=100
#計算一共有多少個批次(整除)
n_batch=mnist.train.num_examples//batch_size
#該神經網絡隻輸入層和輸出層,輸入層包含784個神經元,輸出層包含10個神經元
#定義兩個placeholder,将28*28數字圖檔偏平為規格為784的向量
x=tf.placeholder(tf.float32,[None,784])
#标簽結果
y=tf.placeholder(tf.float32,[None,10])
#建立一個簡單的神經網絡
#權值初始化為0, 784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将輸出轉化為機率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)
#二次代價函數,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代價函數的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化變量
init=tf.global_variables_initializer()
#tf.argmax(y,1)傳回1的位置(真實值),tf.argmax(prediction,1)(預測值)傳回機率值最大的位置,比較位置是否相等,若想等傳回true,不等傳回false,存放在布爾清單中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()傳回一維張量中最大值的位置
#求準确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
sess.run(init)
# 對所有圖檔疊代21次
for epoch in range(21):
#對所有圖檔分批訓練一次
for batch in range(n_batch):
#擷取一批(100個)樣本圖檔,batch_xs:圖檔資訊,batch_ys:圖檔标簽
batch_xs,batch_ys=mnist.train.next_batch(batch_size)
#利用訓練圖檔資訊及對應标簽,梯度下降法訓練模型,得到權重W及b
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
#利用測試集進行測試該疊代時模型的準确率
acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
#列印疊代次數及對應準确率
print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))
采用二次代價函數時運作結果:
采用交叉熵代價函數時的運作結果: