tensorflow MNIST数据集的训练(线性模型)及tensorboard计算结果可视化
2017-08-26 23:05
761 查看
#下载MNIST数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #参数设置 import tensorflow as tf 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]) #交叉熵 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) #梯度下降法最小化交叉熵 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) #sess图表 sess = tf.InteractiveSession() #初始化所有参数 tf.global_variables_initializer().run() for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) #精度预测 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #tensorboard writer = tf.summary.FileWriter('./graphs',sess.graph) #sess.run sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
运行方法:
命令提示符下运行
python name.py tensorboard --logdir="./graphs" --port 6006
chrome浏览器打开localhost:6006
可视化后整个计算过程一目了然,包括softmax regression回归,Wx+b等等操作。计算的步骤如下所示。softmax的主要作用在于将计算结果转化成概率。
evidencei=∑jWi,jxj+bi
y=softmax(evidence)
softmax(x)i=exp(xi)∑jexp(xj)
相关文章推荐
- tensorflow tensorboard可视化并保存训练结果
- 【Python | TensorBoard】用 PCA 可视化 MNIST 手写数字识别数据集
- 学习笔记TF056:TensorFlow MNIST,数据集、分类、可视化
- TensotFlow 应用实例:08-使用tensorboard可视化神经网络结构和训练结果
- Tensorflow学习笔记:基础篇(7)——Mnist手写集改进版(Tensorboard可视化)
- TensorFlow on Android:训练模型
- TensorBoard对训练过程可视化(不用tf.summaries.merge_all)
- Tensorflow学习教程------利用卷积神经网络对mnist数据集进行分类_训练模型
- tensorflow tutorials(八):手写数字数据集MNIST介绍
- tensorflow保存模型,加载模型,tensorboard可视化
- Docker使用tensorflow serving部署mnist模型
- Tensorflow学习系列(三): tensorflow mnist数据集如何跑出99+的准确率
- 9.2 mnist_with_summaries tensorboard 可视化展示
- matconvnet环境下训练自己的数据集及模型测试-mnist网络结构-cifar10部分数据集
- Windows下安装TensorFlow Object Detection API,训练自己的数据集
- 在浏览器中进行深度学习:TensorFlow.js (四)用基本模型对MNIST数据进行识别
- 【caffe学习笔记之6】caffe-matlab/python训练LeNet模型并应用于mnist数据集(1)
- 【caffe学习笔记之7】caffe-matlab/python训练LeNet模型并应用于mnist数据集(2)
- tensorflow mnist数据集手写字识别
- TensorBoard 计算图的可视化