标签：实战 batch train float32 tf tensorflow 自学 data mnist

Tensorflow实现Softmax Regression识别手写数字

实现方式：运用单层感知器实现，激活函数采用softmax()，将28*28的图片展开成784维的向量，样本标签采用hotpot的形式，loss函数采用交叉熵，训练算法采用梯度下降算法。

Softmax：$\sigma($σ($\vec z)_j=$z)j​=$\frac{e^{z_j}}{\sum_{k=1}^K e^{z_k}}$∑k=1K​ezk​ezj​​

源代码：

# -*- coding: utf-8 -*-
"""
Created on Sat Jul 20 11:23:29 2019

@author: Administrator
"""
# Copyright 2015 The TensorFlow Authors. All Rights Reserved.

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

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

sess=tf.InteractiveSession()#启动交互式会话
x=tf.placeholder(tf.float32,[None,784])
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
y=tf.nn.softmax(tf.matmul(x,W)+b)
y_=tf.placeholder(tf.float32,[None,10])

cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))

train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

tf.global_variables_initializer().run()

for i in range(1000):#训练1000次，每次顺序取100个样本训练
    batch_xs,batch_ys=mnist.train.next_batch(100)
    train_step.run({x:batch_xs,y_:batch_ys})
    
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

标签：实战,batch,train,float32,tf,tensorflow,自学,data,mnist
来源： https://blog.csdn.net/qq_28053699/article/details/96870780

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。