如何利用tensorflow实现MNIST数据集两个隐含层的全连接神经网络
时间: 2024-02-01 11:13:16 浏览: 73
利用 TensorFlow 识别 MNIST数据集
下面是一个使用 TensorFlow 实现 MNIST 数据集的两个隐藏层全连接神经网络的示例代码:
```
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 载入 MNIST 数据集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 定义网络参数
n_input = 784 # 输入层神经元数量(28*28)
n_hidden_1 = 256 # 第一个隐含层神经元数量
n_hidden_2 = 256 # 第二个隐含层神经元数量
n_classes = 10 # 输出层神经元数量(0~9)
# 定义占位符
x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
# 定义权重和偏置项
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]))
}
# 构建模型
def multilayer_perceptron(x):
layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
layer_1 = tf.nn.relu(layer_1)
layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
layer_2 = tf.nn.relu(layer_2)
out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
return out_layer
# 定义损失函数和优化器
pred = multilayer_perceptron(x)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)
# 初始化变量
init = tf.global_variables_initializer()
# 训练模型
with tf.Session() as sess:
sess.run(init)
for epoch in range(100):
avg_cost = 0.
total_batch = int(mnist.train.num_examples / 100)
for i in range(total_batch):
batch_x, batch_y = mnist.train.next_batch(100)
_, c = sess.run([optimizer, cost], feed_dict={x: batch_x, y: batch_y})
avg_cost += c / total_batch
if epoch % 10 == 0:
print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))
print("Optimization Finished!")
# 测试模型
correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
```
这段代码定义了一个包含两个隐含层的全连接神经网络,使用 ReLU 激活函数,交叉熵作为损失函数,Adam 优化器进行优化,最终输出模型的准确率。在训练过程中,每个 epoch 会遍历整个训练集,使用批量梯度下降进行参数更新。
阅读全文