本文实例为大家分享了Tensorflow训练MNIST手写数字识别模型的具体代码，供大家参考，具体内容如下
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
INPUT_NODE = 784 # 输入层节点=图片像素=28x28=784
OUTPUT_NODE = 10 # 输出层节点数=图片类别数目
LAYER1_NODE = 500 # 隐藏层节点数，只有一个隐藏层
BATCH_SIZE = 100 # 一个训练包中的数据个数，数字越小
# 越接近随机梯度下降，越大越接近梯度下降
LEARNING_RATE_BASE = 0.8 # 基础学习率
LEARNING_RATE_DECAY = 0.99 # 学习率衰减率
REGULARIZATION_RATE = 0.0001 # 正则化项系数
TRAINING_STEPS = 30000 # 训练轮数
MOVING_AVG_DECAY = 0.99 # 滑动平均衰减率
# 定义一个辅助函数，给定神经网络的输入和所有参数，计算神经网络的前向传播结果
def inference(input_tensor, avg_class, weights1, biases1,
weights2, biases2):
# 当没有提供滑动平均类时，直接使用参数当前取值
if avg_class == None:
# 计算隐藏层前向传播结果
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
# 计算输出层前向传播结果
return tf.matmul(layer1, weights2) + biases2
else:
# 首先计算变量的滑动平均值，然后计算前向传播结果
layer1 = tf.nn.relu(
tf.matmul(input_tensor, avg_class.average(weights1)) +
avg_class.average(biases1))
return tf.matmul(
layer1, avg_class.average(weights2)) + avg_class.average(biases2)
# 训练模型的过程
def train(mnist):
x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
# 生成隐藏层参数
weights1 = tf.Variable(
tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
# 生成输出层参数
weights2 = tf.Variable(
tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
# 计算前向传播结果，不使用参数滑动平均值 avg_class=None
y = inference(x, None, weights1, biases1, weights2, biases2)
# 定义训练轮数变量，指定为不可训练
global_step = tf.Variable(0, trainable=False)
# 给定滑动平均衰减率和训练轮数的变量，初始化滑动平均类
variable_avgs = tf.train.ExponentialMovingAverage(
MOVING_AVG_DECAY, global_step)
# 在所有代表神经网络参数的可训练变量上使用滑动平均
variables_avgs_op = variable_avgs.apply(tf.trainable_variables())
# 计算使用滑动平均值后的前向传播结果
avg_y = inference(x, variable_avgs, weights1, biases1, weights2, biases2)
# 计算交叉熵作为损失函数
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=y, labels=tf.argmax(y_, 1))
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# 计算L2正则化损失函数
regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
regularization = regularizer(weights1) + regularizer(weights2)
loss = cross_entropy_mean + regularization
# 设置指数衰减的学习率
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE,
global_step, # 当前迭代轮数
mnist.train.num_examples / BATCH_SIZE, # 过完所有训练数据的迭代次数
LEARNING_RATE_DECAY)
# 优化损失函数
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(
loss, global_step=global_step)
# 反向传播同时更新神经网络参数及其滑动平均值
with tf.control_dependencies([train_step, variables_avgs_op]):
train_op = tf.no_op(name='train')
# 检验使用了滑动平均模型的神经网络前向传播结果是否正确
correct_prediction = tf.equal(tf.argmax(avg_y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 初始化会话并开始训练
with tf.Session() as sess:
tf.global_variables_initializer().run()
# 准备验证数据，用于判断停止条件和训练效果
validate_feed = {x: mnist.validation.images,
y_: mnist.validation.labels}
# 准备测试数据，用于模型优劣的最后评价标准
test_feed = {x: mnist.test.images, y_: mnist.test.labels}
# 迭代训练神经网络
for i in range(TRAINING_STEPS):
if i%1000 == 0:
validate_acc = sess.run(accuracy, feed_dict=validate_feed)
print("After %d training step(s), validation accuracy using average "
"model is %g " % (i, validate_acc))
xs, ys = mnist.train.next_batch(BATCH_SIZE)
sess.run(train_op, feed_dict={x: xs, y_: ys})
# 训练结束后在测试集上检测模型的最终正确率
test_acc = sess.run(accuracy, feed_dict=test_feed)
print("After %d training steps, test accuracy using average model "
"is %g " % (TRAINING_STEPS, test_acc))
# 主程序入口
def main(argv=None):
mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
train(mnist)
# Tensorflow主程序入口
if __name__ == '__main__':
tf.app.run()另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
