基于Tensorflow的MNIST数据集上手写数字识别分类方法实现（准确率超过98%）
发布时间
阅读量：
阅读量
1、网络设计
- 首先构建一个包含两个隐藏层的神经网络结构，用于对MNIST数据集进行训练；
- 将学习率设定为可变参数（在每次迭代过程中，依据特定公式逐步降低学习率，以此提升模型的收敛效率）；
- 引入Dropout机制，但在此实验中不启用该功能（将keep_prob参数设为1.0），仅用于展示该参数同样具备可调整性，并且会对最终准确率产生一定影响；
- 采用交叉熵（cross-entropy）作为代价函数，用于计算损失值；
- 应用Adam优化算法对损失函数进行优化操作，以实现损失值的最小化。
2、网络的实现
网络结构如下：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次的大小
batch_size = 100
#计算一共需要多少个批次
n_batch = mnist.train.num_examples // batch_size
#定义两个全部评论 (0)
还没有任何评论哟~