使用TensorFlow定义拥有一个隐藏层的神经网络

咳咳，我们已经搞定了softmax regression模型，但是在测试集上的准确度确实不如人意，很气……我们已经不满足于仅仅建立一个模型了，我们现在需要更高精度的学习模型。现在尝试着在模型里面添加一层隐藏层吧！数据还是手写字体的数据，先看看拥有一层隐藏层的神经网络（多层感知机也叫）示意图吧！使用TensorFlow定义拥有一个隐藏层的神经网络

Boom!博主懒得网上找图了，直接动手……原谅我笨拙的字体和手法……接下去我们看看数据流图，就能清晰地了解代码的含义了。

有了这两张图之后，以及前面的编程基础，下面的代码简直一目了然。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist=input_data.read_data_sets('MNIST_data/',one_hot=True)
sess=tf.InteractiveSession()

  接下来定义一下输入节点和隐含层的输出节点，以及相应的各个参数

in_units=784 #输入节点数
h1_units=300#隐含层的输出节点数
w1=tf.Variable(tf.truncated_normal([in_units,h1_units],stddev=0.1))

  这里备注一下，权重w1的初始值设定为标准差为0.1的标准截断的正态分布
b1=tf.Variable(tf.zeros([h1_units]))
w2=tf.Variable(tf.zeros([h1_units,10]))
b2=tf.Variable(tf.zeros([10]))

x=tf.placeholder(tf.float32,[None,in_units])

hidden1=tf.nn.sigmoid(tf.matmul(x,w1)+b1)  #这里使用传统的Sigmoid非线性**函数
y=tf.nn.softmax(tf.matmul(hidden1,w2)+b2)  #在输出层依然使用的softmax分类

  依然是选用信息熵作为Loss Funciton和SGD法

y_=tf.placeholder(tf.float32,[None,10])
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()

    剩下的步骤与softmax无异，这里不表。

for i in range(3000):
    batch_xs,batch_ys=mnist.train.next_batch(100)
    train_step.run({x:batch_xs,y_:batch_ys})

correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))

最后测试结果，精度为0.9569，相比于softmax，提高了3个百分点。恩恩，不过这样我们依然不满足，下一节我们要介绍几种辅助方法，能够帮助这个神经网络的准确率再提升几个百分点。

使用TensorFlow定义拥有一个隐藏层的神经网络

相关推荐