neural_network_raw

tf code

from __future__ import print_function

# Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf

# Parameters
learning_rate = 0.1
num_steps = 500
batch_size = 128
display_step = 100

# Network Parameters
n_hidden_1 = 256 # 1st layer number of neurons
n_hidden_2 = 256 # 2nd layer number of neurons
num_input = 784 # MNIST data input (img shape: 28*28)
num_classes = 10 # MNIST total classes (0-9 digits)

# tf Graph input
X = tf.placeholder("float", [None, num_input])
Y = tf.placeholder("float", [None, num_classes])

# Store layers weight & bias
weights = {
    'h1': tf.Variable(tf.random_normal([num_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, num_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([num_classes]))
}


# Create model
def neural_net(x):
    # Hidden fully connected layer with 256 neurons
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    # Hidden fully connected layer with 256 neurons
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
    # Output fully connected layer with a neuron for each class
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer

# Construct model
logits = neural_net(X)
prediction = tf.nn.softmax(logits)

# Define loss and optimizer
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
    logits=logits, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss_op)

# Evaluate model
correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initialize the variables (i.e. assign their default value)
init = tf.global_variables_initializer()

# Start training
with tf.Session() as sess:

    # Run the initializer
    sess.run(init)

    for step in range(1, num_steps+1):
        batch_x, batch_y = mnist.train.next_batch(batch_size)
        # Run optimization op (backprop)
        sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})
        if step % display_step == 0 or step == 1:
            # Calculate batch loss and accuracy
            loss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x,
                                                                 Y: batch_y})
            print("Step " + str(step) + ", Minibatch Loss= " + \
                  "{:.4f}".format(loss) + ", Training Accuracy= " + \
                  "{:.3f}".format(acc))

    print("Optimization Finished!")

    # Calculate accuracy for MNIST test images
    print("Testing Accuracy:", \
        sess.run(accuracy, feed_dict={X: mnist.test.images,
                                      Y: mnist.test.labels}))
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末迂求,一起剝皮案震驚了整個濱河市藕咏,隨后出現(xiàn)的幾起案子饼记,更是在濱河造成了極大的恐慌蜗字,老刑警劉巖炼列,帶你破解...
    沈念sama閱讀 223,002評論 6 519
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異煞聪,居然都是意外死亡卸夕,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,357評論 3 400
  • 文/潘曉璐 我一進(jìn)店門截驮,熙熙樓的掌柜王于貴愁眉苦臉地迎上來笑陈,“玉大人,你說我怎么就攤上這事葵袭『祝” “怎么了?”我有些...
    開封第一講書人閱讀 169,787評論 0 365
  • 文/不壞的土叔 我叫張陵坡锡,是天一觀的道長蓬网。 經(jīng)常有香客問我,道長鹉勒,這世上最難降的妖魔是什么帆锋? 我笑而不...
    開封第一講書人閱讀 60,237評論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮禽额,結(jié)果婚禮上锯厢,老公的妹妹穿的比我還像新娘。我一直安慰自己脯倒,他們只是感情好实辑,可當(dāng)我...
    茶點故事閱讀 69,237評論 6 398
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著藻丢,像睡著了一般剪撬。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上悠反,一...
    開封第一講書人閱讀 52,821評論 1 314
  • 那天残黑,我揣著相機(jī)與錄音馍佑,去河邊找鬼。 笑死萍摊,一個胖子當(dāng)著我的面吹牛挤茄,可吹牛的內(nèi)容都是我干的如叼。 我是一名探鬼主播冰木,決...
    沈念sama閱讀 41,236評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼笼恰!你這毒婦竟也來了踊沸?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 40,196評論 0 277
  • 序言:老撾萬榮一對情侶失蹤社证,失蹤者是張志新(化名)和其女友劉穎逼龟,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體追葡,經(jīng)...
    沈念sama閱讀 46,716評論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡腺律,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,794評論 3 343
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了宜肉。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片匀钧。...
    茶點故事閱讀 40,928評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖谬返,靈堂內(nèi)的尸體忽然破棺而出之斯,到底是詐尸還是另有隱情,我是刑警寧澤遣铝,帶...
    沈念sama閱讀 36,583評論 5 351
  • 正文 年R本政府宣布佑刷,位于F島的核電站,受9級特大地震影響酿炸,放射性物質(zhì)發(fā)生泄漏瘫絮。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 42,264評論 3 336
  • 文/蒙蒙 一填硕、第九天 我趴在偏房一處隱蔽的房頂上張望麦萤。 院中可真熱鬧,春花似錦廷支、人聲如沸频鉴。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,755評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽垛孔。三九已至,卻和暖如春施敢,著一層夾襖步出監(jiān)牢的瞬間周荐,已是汗流浹背狭莱。 一陣腳步聲響...
    開封第一講書人閱讀 33,869評論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留概作,地道東北人腋妙。 一個月前我還...
    沈念sama閱讀 49,378評論 3 379
  • 正文 我出身青樓,卻偏偏與公主長得像讯榕,于是被迫代替她去往敵國和親骤素。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,937評論 2 361

推薦閱讀更多精彩內(nèi)容

  • 這是MATLAB關(guān)于Deep Learning 的一個入門的簡單的例程 Step1加載并查看數(shù)據(jù) 然后隨機(jī)顯示其中...
    天之道天知道閱讀 3,375評論 0 3
  • 關(guān)于代價函數(shù)的兩個假設(shè) 反向傳播算法的目標(biāo)是計算代價函數(shù)C對神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的所有權(quán)重w和偏置b的偏導(dǎo)數(shù)?C/?w和...
    資深小夏閱讀 248評論 0 0
  • 現(xiàn)如今深度學(xué)習(xí)的應(yīng)用已蔚然成風(fēng)愚屁,很多技術(shù)領(lǐng)域都將深度學(xué)習(xí)做一種強(qiáng)有力的工具济竹。這篇文章便將圖像融合作為一個二分類問題...
    sunsimple閱讀 1,059評論 0 0
  • 布列松:我喜歡攝黑白照片,因為黑白照片表現(xiàn)為色調(diào)的變化霎槐。黑白照片是抽象的送浊,有一股非常的情感力量。我喜歡繪畫丘跌,從畫意...
    二凹閱讀 154評論 0 0
  • 2017.06.03 “自從他把艾斯克拉斯蒂卡姑媽趕走后袭景,女兒如今在表面上都對他客客氣氣,父女關(guān)系也融洽了很多闭树,這...
    夏臻Rock閱讀 211評論 0 0