neural network

"""
FC neural-network
2 hidden-layer 每層256個神經(jīng)元
"""
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('/tmp/data/', one_hot=True)

import tensorflow as tf

learning_rate = 0.1
num_steps = 500
batch_size = 128
disp_step = 100

h1_num = 256
h2_num = 256  # hidden layer neuron num
num_input = 784
num_classes = 10

X = tf.placeholder("float", [None, num_input])
Y = tf.placeholder("float", [None, num_classes])
weights = {
    'h1': tf.Variable(tf.random_normal([num_input, h1_num])),
    'h2': tf.Variable(tf.random_normal([h1_num, h2_num])),
    'out': tf.Variable(tf.random_normal([h2_num, num_classes]))
}
bias = {
    'b1': tf.Variable(tf.random_normal([h1_num])),
    'b2': tf.Variable(tf.random_normal([h2_num])),
    'out': tf.Variable(tf.random_normal([num_classes]))
}


def neural_net(x):
    layer1 = tf.add(tf.matmul(x, weights['h1']), bias['b1'])
    layer2 = tf.add(tf.matmul(layer1, weights['h2']), bias['b2'])
    out_layer = tf.add(tf.matmul(layer2, weights['out']), bias['out'])
    return out_layer


y_ = neural_net(X)
prediction = tf.nn.softmax(y_)

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss)

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

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

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

    print("test accuracy:", sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels}))


?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,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子搏嗡,更是在濱河造成了極大的恐慌比默,老刑警劉巖艇潭,帶你破解...
    沈念sama閱讀 219,427評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件侣诺,死亡現(xiàn)場離奇詭異拳锚,居然都是意外死亡益楼,警方通過查閱死者的電腦和手機猾漫,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,551評論 3 395
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來感凤,“玉大人悯周,你說我怎么就攤上這事∨愀停” “怎么了禽翼?”我有些...
    開封第一講書人閱讀 165,747評論 0 356
  • 文/不壞的土叔 我叫張陵,是天一觀的道長族跛。 經(jīng)常有香客問我闰挡,道長,這世上最難降的妖魔是什么礁哄? 我笑而不...
    開封第一講書人閱讀 58,939評論 1 295
  • 正文 為了忘掉前任长酗,我火速辦了婚禮,結(jié)果婚禮上桐绒,老公的妹妹穿的比我還像新娘夺脾。我一直安慰自己,他們只是感情好茉继,可當我...
    茶點故事閱讀 67,955評論 6 392
  • 文/花漫 我一把揭開白布咧叭。 她就那樣靜靜地躺著,像睡著了一般烁竭。 火紅的嫁衣襯著肌膚如雪佳簸。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,737評論 1 305
  • 那天颖变,我揣著相機與錄音生均,去河邊找鬼。 笑死腥刹,一個胖子當著我的面吹牛马胧,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播衔峰,決...
    沈念sama閱讀 40,448評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼佩脊,長吁一口氣:“原來是場噩夢啊……” “哼蛙粘!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起威彰,我...
    開封第一講書人閱讀 39,352評論 0 276
  • 序言:老撾萬榮一對情侶失蹤出牧,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后歇盼,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體舔痕,經(jīng)...
    沈念sama閱讀 45,834評論 1 317
  • 正文 獨居荒郊野嶺守林人離奇死亡,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 37,992評論 3 338
  • 正文 我和宋清朗相戀三年豹缀,在試婚紗的時候發(fā)現(xiàn)自己被綠了伯复。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 40,133評論 1 351
  • 序言:一個原本活蹦亂跳的男人離奇死亡邢笙,死狀恐怖啸如,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情氮惯,我是刑警寧澤叮雳,帶...
    沈念sama閱讀 35,815評論 5 346
  • 正文 年R本政府宣布,位于F島的核電站妇汗,受9級特大地震影響帘不,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜铛纬,卻給世界環(huán)境...
    茶點故事閱讀 41,477評論 3 331
  • 文/蒙蒙 一厌均、第九天 我趴在偏房一處隱蔽的房頂上張望唬滑。 院中可真熱鬧告唆,春花似錦、人聲如沸晶密。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,022評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽稻艰。三九已至懂牧,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間尊勿,已是汗流浹背僧凤。 一陣腳步聲響...
    開封第一講書人閱讀 33,147評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留元扔,地道東北人躯保。 一個月前我還...
    沈念sama閱讀 48,398評論 3 373
  • 正文 我出身青樓,卻偏偏與公主長得像澎语,于是被迫代替她去往敵國和親途事。 傳聞我的和親對象是個殘疾皇子验懊,可洞房花燭夜當晚...
    茶點故事閱讀 45,077評論 2 355

推薦閱讀更多精彩內(nèi)容