識別MNIST已經成了深度學習的hello world，所以每次例程基本都會用到這個數據集，這個數據集在tensorflow內部用著很好的封裝，因此可以方便地使用。

站在用戶的角度思考問題，與客戶深入溝通，找到烏蘇網站設計與烏蘇網站推廣的解決方案，憑借多年的經驗，讓設計與互聯網技術結合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：網站建設、成都網站建設、企業(yè)官網、英文網站、手機端網站、網站推廣、域名與空間、虛擬空間、企業(yè)郵箱。業(yè)務覆蓋烏蘇地區(qū)。

這次我們用tensorflow搭建一個softmax多分類器，和之前搭建線性回歸差不多，第一步是通過確定變量建立圖模型，然后確定誤差函數，最后調用優(yōu)化器優(yōu)化。

誤差函數與線性回歸不同，這里因為是多分類問題，所以使用了交叉熵。

另外，有一點值得注意的是，這里構建模型時我試圖想拆分多個函數，但是后來發(fā)現這樣做難度很大，因為圖是在規(guī)定變量就已經定義好的，不能隨意拆分，也不能當做變量傳來傳去，因此需要將他們寫在一起。

代碼如下：

#encoding=utf-8 
__author__ = 'freedom' 
import tensorflow as tf 
 
def loadMNIST(): 
 from tensorflow.examples.tutorials.mnist import input_data 
 mnist = input_data.read_data_sets('MNIST_data',one_hot=True) 
 return mnist 
 
def softmax(mnist,rate=0.01,batchSize=50,epoch=20): 
 n = 784 # 向量的維度數目 
 m = None # 樣本數，這里可以獲取，也可以不獲取 
 c = 10 # 類別數目 
 
 x = tf.placeholder(tf.float32,[m,n]) 
 y = tf.placeholder(tf.float32,[m,c]) 
 
 w = tf.Variable(tf.zeros([n,c])) 
 b = tf.Variable(tf.zeros([c])) 
 
 pred= tf.nn.softmax(tf.matmul(x,w)+b) 
 loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1)) 
 opt = tf.train.GradientDescentOptimizer(rate).minimize(loss) 
 
 init = tf.initialize_all_variables() 
 
 sess = tf.Session() 
 sess.run(init) 
 for index in range(epoch): 
  avgLoss = 0 
  batchNum = int(mnist.train.num_examples/batchSize) 
  for batch in range(batchNum): 
   batch_x,batch_y = mnist.train.next_batch(batchSize) 
   _,Loss = sess.run([opt,loss],{x:batch_x,y:batch_y}) 
   avgLoss += Loss 
  avgLoss /= batchNum 
  print 'every epoch average loss is ',avgLoss 
 
 right = tf.equal(tf.argmax(pred,1),tf.argmax(y,1)) 
 accuracy = tf.reduce_mean(tf.cast(right,tf.float32)) 
 print 'Accracy is ',sess.run(accuracy,({x:mnist.test.images,y:mnist.test.labels})) 
 
 
if __name__ == "__main__": 
 mnist = loadMNIST() 
 softmax(mnist) 

網頁題目：tensorflow實現softma識別MNIST-創(chuàng)新互聯
URL網址：http://aaarwkj.com/article30/ggjso.html

成都網站建設公司_創(chuàng)新互聯，為您提供域名注冊、企業(yè)建站、網站改版、電子商務、品牌網站建設、服務器托管

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯