TensorFlow(五)：手寫數字識別增強版

# 該版本的最終識別準確率達到98%以上

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 載入數據集
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
# 每一個批次的大小
batch_size=100
# 計算一共有多少個批次
n_batch=mnist.train.num_examples//batch_size

# 定義兩個placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])
keep_prob=tf.placeholder(tf.float32)
lr=tf.Variable(0.001,dtype=tf.float32)


# 建立神經網絡
# 使用正態分佈以及非0的偏置值
# 輸入層
W1=tf.Variable(tf.truncated_normal([784,500],stddev=0.1))
b1=tf.Variable(tf.zeros([500])+0.1)
L1=tf.nn.tanh(tf.matmul(x,W1)+b1)# 使用雙曲正切的激活函數
L1_drop=tf.nn.dropout(L1,keep_prob) # 設置成多少個神經元工做，1爲100%

W2=tf.Variable(tf.truncated_normal([500,200],stddev=0.1))
b2=tf.Variable(tf.zeros([200])+0.1)
L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)# 使用雙曲正切的激活函數
L2_drop=tf.nn.dropout(L2,keep_prob) # 設置成多少個神經元工做，1爲100%

# 輸出層
W3=tf.Variable(tf.truncated_normal([200,10],stddev=0.1))
b3=tf.Variable(tf.zeros([10])+0.1)
prediction=tf.nn.softmax(tf.matmul(L2_drop,W3)+b3)

# 使用交叉熵的狀況
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=prediction))

# 使用adam優化器
train_step=tf.train.AdamOptimizer(lr).minimize(loss)

# 初始化變量
init=tf.global_variables_initializer()
# 求最大值在哪一個位置，結果存放在一個布爾值列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))# argmax返回一維張量中最大值所在的位置
# 求準確率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # cast做用是將布爾值轉換爲浮點型。
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            sess.run(tf.assign(lr,0.001*(0.98**epoch)))
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0}) # keep_drop:表示多少神經元工做,訓練時減小神經元能夠防止過擬合，如換成0.7
        #求準確率
        # 測試集
        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        learning_rate=sess.run(lr)
        # 訓練集
#         train_acc=sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:1.0})
        print('Iter:'+str(epoch)+',Testing Accuracy:'+str(test_acc))
        print('Iter:'+str(epoch)+',Training rate:'+str(learning_rate))
        print()