基于MNIST数据集实现2层神经网络案例实战-大数据ML样本集案例实战

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何学术交流，可随时联系。

1 神经网络基本结构定义

• 28*28=784个像素点，第一层神经元256，第二层神经元128

2 神经网络构建

• 变量初始化

  import numpy as np
    import tensorflow as tf
    import matplotlib.pyplot as plt
    import input_data
    mnist = input_data.read_data_sets('data/', one_hot=True)
    Extracting data/train-images-idx3-ubyte.gz
    Extracting data/train-labels-idx1-ubyte.gz
    Extracting data/t10k-images-idx3-ubyte.gz
    Extracting data/t10k-labels-idx1-ubyte.gz
  
    # NETWORK TOPOLOGIES
    #第一层神经元
    n_hidden_1 = 256 
    #第二层神经元
    n_hidden_2 = 128
    #28*28 784像素点
    n_input    = 784 
    # 类别10
    n_classes  = 10  
    
    # INPUTS AND OUTPUTS
    x = tf.placeholder("float", [None, n_input])
    y = tf.placeholder("float", [None, n_classes])
        
    # NETWORK PARAMETERS
    stddev = 0.1
    #初始化
    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
    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]))
    }
    print ("NETWORK READY")
  复制代码

• 前向传播（每一层增加激活函数sigmoid，最后一层不加sigmoid）

  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'])
  复制代码

• 损失变量和优化器定义

• softmax_cross_entropy_with_logits交叉熵损失函数（参数pred预测值），reduce_mean除以样本总数。

• GradientDescentOptimizer采用梯度下降优化求解

  # PREDICTION
    pred = multilayer_perceptron(x, weights, biases)
    
    # LOSS AND OPTIMIZER
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y)) 
    optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost) 
    
    #准确率求解
    corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    
    accr = tf.reduce_mean(tf.cast(corr, "float"))
    
    # INITIALIZER
    init = tf.global_variables_initializer()
    print ("FUNCTIONS READY")
  复制代码

• 按照Batch迭代

  training_epochs = 20
    batch_size      = 100
    display_step    = 4
    # LAUNCH THE GRAPH
    sess = tf.Session()
    sess.run(init)
    # OPTIMIZE
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        
        # ITERATION（按照Batch迭代，每一次迭代100）
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            #填充值
            feeds = {x: batch_xs, y: batch_ys}
            #sess.run（模型训练）
            sess.run(optm, feed_dict=feeds)
            avg_cost += sess.run(cost, feed_dict=feeds)
        avg_cost = avg_cost / total_batch
        # DISPLAY
        if (epoch+1) % display_step == 0:
            print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
            feeds = {x: batch_xs, y: batch_ys}
            
            #sess.run（准确率求解）
            train_acc = sess.run(accr, feed_dict=feeds)
            print ("TRAIN ACCURACY: %.3f" % (train_acc))
            feeds = {x: mnist.test.images, y: mnist.test.labels}
            test_acc = sess.run(accr, feed_dict=feeds)
            print ("TEST ACCURACY: %.3f" % (test_acc))
    print ("OPTIMIZATION FINISHED")
  复制代码

3 总结

基本的神经网络案例，在于真正的入门神经网络的构建。

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何学术交流，可随时联 秦凯新 于深圳 2018120892153