構建簡單網絡和優化方法—手寫數字識別
文章目錄
1,如何構建初始的“手寫數字識別”神經網絡?
1.下載MNIST_data集並把該數據集放在源.py/.ipynb文件的相同路徑位置,並載入數據集。
2.自定義batch_size(每個批次讀取圖片的數量大小),並計算n_batch(總共的批次數)。
3.定義x和y,使用feed方法進行數據輸入。
4.創建一個簡單的神經網絡,輸入層爲784個神經元,輸出層爲10個神將元。(需要注意的是:激活函數使用softmax(),用於將計算結果進行概率轉換。)
5.損失函數使用二次代價函數,loss = tf.reduce_mean(tf.square(y-prediction))。
6.優化器使用梯度下降法,train_step = tf.train.GradientDescentOptimizer(xx).minimize(loss)。
7.結果存放在一個布爾型列表中,correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置。
8.定義準確率,accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))。
9使用默認圖tensorflow.Session()進行訓練並調用測試。(需要注意的地方:sess.run(train_step)使用的是train集,而sess.run(accuracy)使用的是test集。)
2,如何進行簡單網絡的優化?
1.對w,b的初始值進行優化。
W = tf.Variable(tf.truncated_normal([784, 3000], stddev=0.1))
b = tf.Variable(tf.zeros([3000])+0.1)
2.使用交叉熵函數作爲損失函數。
#交叉熵函數
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y, logits=prediction))
需要注意的是:
在Tensorflow中用: tf.nn.softmax_cross_entropy_with_logits()來表示跟softmax搭配使用的交叉熵。
3.添加多箇中間層,同時使用Dropout()防止過擬合發生。
#創建神經網絡的中間層1
W1 = tf.Variable(tf.truncated_normal([784, 500], stddev=0.1))
b1 = tf.Variable(tf.zeros([500])+0.1)
predict1 = tf.nn.tanh(tf.matmul(x, W1)+b1)
drop_1 = tf.nn.dropout(predict1, keep_prob)
#創建神經網絡的中間層2
W2 = tf.Variable(tf.truncated_normal([500, 300], stddev=0.1))
b2 = tf.Variable(tf.zeros([300])+0.1)
predict2 = tf.nn.tanh(tf.matmul(drop_1, W2)+b2)
drop_2 = tf.nn.dropout(predict2, keep_prob)
#創建神經網絡的輸出層
W3 = tf.Variable(tf.truncated_normal([300, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(drop_2, W3)+b3)
注:keep_prob爲隨機抽取同一層神經元的比例,神經元個數控制在數據集相近。
4.使用優化器AdamOptimizer,減小學習率的變化速度
#定義變量學習率lr,初始化爲0.001
lr = tf.Variable(0.001, dtype=tf.float32)
#使用AdamOptimizer優化器
train_step = tf.train.AdamOptimizer(lr).minimize(loss)
#在迭代中設置學習率變化幅度
sess.run(tf.assign(lr, 0.001*(0.95**epoch)))
本題採用以上4種優化方法後優化效果較好。
優化後的測試結果:
附:優化前的簡單網絡的構建代碼—手寫字體識別:
#載入數據集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#每個批次的大小
batch_size = 100
#計算一共有多少個批次
n_batch = mnist.train.num_examples // batch_size
#定義兩個placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#創建一個簡單的神經網絡
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)
#二次代價函數
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化變量
init = tf.global_variables_initializer()
#結果存放在一個布爾型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置
#求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
sess.run(init)
for epoch in range(21):
for batch in range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))