跟我学算法-tensorflow 实现神经网络

神经网络主要是存在一个前向传播的过程，我们的目的也是使得代价函数值最小化

采用的数据是minist数据，训练集为50000*28*28 测试集为10000*28*28 lable 为50000*10, 10分类， 每一个结果对应一个label值

第一步: 导入数据

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data


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

# 第二步：初始化参数

n_hidden_1 = 256
n_hidden_2 = 128
n_input = 784
n_classes = 10

x = tf.placeholder('float', [None, n_input])
y = tf.placeholder('float', [None, n_classes])

stddev = 0.1
# 初始化变量w，stddev=stddev，使得标准差为0.1, 
weights = {
    'w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev=stddev)),
    'w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev=stddev)),
    'out':tf.Variable(tf.random_normal([n_hidden_2, n_classes], stddev=stddev))
    }
# 初始化变量b
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]))
}

第三步： 构造基本函数(向前传播函数)和cost，构造优化函数

# 构造基本函数
# 神经网络的前向传播
def multilayer_perceptron(_X, _weights, _biases):
    layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(_X, _weights['w1']), _biases['b1']))
    layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['w2']), _biases['b2']))
    return (tf.matmul(layer_2, _weights['out']) + _biases['out'])

# 前向传播
pred = multilayer_perceptron(x, weights, biases)
#构造损失函数
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=pred, labels=y))
# 构造优化模型，使得损失值最小
optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost)
# 计算预测精度
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accr = tf.reduce_mean(tf.cast(corr, 'float'))

第四步：迭代优化参数

# 初始化
init = tf.global_variables_initializer()

# 训练次数
train_epoches = 50
# 每次抽取样本数
batch_size = 100
# 每5次循环打印一次结果
display_step = 5
sess = tf.Session()
sess.run(init)

for train_epoch in range(train_epoches):
    avg_cost = 0
    # 每次选取100个数据，循环的次数
    num_batch = int(mnist.train.num_examples/batch_size)
    for i in range(num_batch):
        # 取出数据
        bacth_x, bacth_y = mnist.train.next_batch(batch_size)
        # 进行cost优化
        sess.run(optm, feed_dict={x:bacth_x, y:bacth_y})
        # 加上cost的值
        feeds = {x:bacth_x, y:bacth_y}
    avg_cost += sess.run(cost, feed_dict=feeds)/num_batch
    # 每5次打印一次精度结果
    if (train_epoch+1) % display_step == 0:
        feeds_train = {x:bacth_x, y:bacth_y}
        feed_test = {x:mnist.test.images, y:mnist.test.labels}
        # 计算训练集的准确率, feed_dict的参数
        train_acc = sess.run(accr, feed_dict=feeds_train)
        # 计算测试集的准确率
        test_acc = sess.run(accr, feed_dict=feed_test)
        print("Epoch: %03d/%03d cost: %.9f train_acc: %.3f test_acc: %.3f"
              % (train_epoch, train_epoches, avg_cost, train_acc, test_acc))