In [1]:
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data # 导入下载数据集手写体
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)
In [2]:
class RNNNet: # 创建一个RNNNet类
def __init__(self):
self.x = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28], name='input_x') # 创建数据占位符
self.y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_y') # 创建标签占位符
self.fc_w1 = tf.Variable(tf.truncated_normal(shape=[128, 10], dtype=tf.float32, stddev=tf.sqrt(1 / 10), name='fc_w1')) # 定义 输出层/全链接层 w
self.fc_b1 = tf.Variable(tf.zeros(shape=[10]), dtype=tf.float32, name='fc_b1') # 定义 输出层/全链接层 偏值b
# 前向计算
def forward(self):
cell = tf.nn.rnn_cell.BasicLSTMCell(128) # 创建128个LSTM的RNN结构(细胞结构)
state1 = cell.zero_state(100, dtype=tf.float32) # 初始化细胞的状态为 0, 传入初始化批次 和数据类型
self.rnn_ouput, self.state = tf.nn.dynamic_rnn(cell, self.x, initial_state=state1, time_major=False) # 将细胞cell 和数据 self.x 初始化状态传入RNN细胞结构 获得两个返回值 output 和 状态state
self.fc1 = tf.matmul(self.rnn_ouput[:, -1, :], self.fc_w1) + self.fc_b1 # 取rnn_output的输出状态的 每个输出的最后一行 进行全链接计算
self.output = tf.nn.softmax(self.fc1) # 将全链接计算后的结果进行 softmax分类
# 后向计算
def backward(self):
# 求出网络的 cost值(损失)
self.cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y, logits=self.fc1, name='cost'))
# 使用AdamOptimizer优化器优化 self.cost
self.opt = tf.train.AdamOptimizer().minimize(self.cost)
# # 计算测试集识别精度
def acc(self):
# 将预测值 output 和 标签值 self.y 进行比较
self.acc1 = tf.equal(tf.argmax(self.output, 1), tf.argmax(self.y, 1))
# 最后对比较出来的bool值 转换为float32类型后 求均值就可以看到满值为 1的精度显示
self.accaracy = tf.reduce_mean(tf.cast(self.acc1, tf.float32))
In [3]:
net = RNNNet() # 启动tensorflow绘图的RNNNet
net.forward() # 启动前向计算
net.backward() # 启动后向计算
net.acc() # 启动精度计算
init = tf.global_variables_initializer() # 定义初始化tensorflow所有变量操作
In [4]:
%%time
with tf.Session() as sess: # 创建一个Session会话
sess.run(init) # 执行init变量内的初始化所有变量的操作
summ = 0.0
cnt = 0
for i in range(1000): # 训练10000次
ax, ay = mnist.train.next_batch(100) # 从mnist数据集中取数据出来 ax接收图片 ay接收标签
ax_batch = ax.reshape([-1, 28, 28]) # 将取出的 图片数据 reshape成 NSV 结构
loss, output, accaracy, _ = sess.run(fetches=[net.cost, net.output, net.accaracy, net.opt], feed_dict={net.x: ax_batch, net.y: ay}) # 将数据喂进RNN网络
# print(loss) # 打印损失
# print(accaracy) # 打印训练精度
if i % 10 == 0: # 每训练10次
cnt += 1
test_ax, test_ay = mnist.test.next_batch(100) # 则使用测试集对当前网络进行测试
test_ax_batch = sess.run(tf.reshape(test_ax, [-1, 28, 28])) # 将取出的 图片数据 reshape成 NSV 结构
test_output = sess.run(fetches=net.output, feed_dict={net.x: test_ax_batch}) # 注意fetches=[net.output]加了中括号返回值会变为list # 将测试数据喂进网络 接收一个output值
test_acc = tf.equal(tf.argmax(test_output, 1), tf.argmax(test_ay, 1)) # 对output值和标签y值进行求比较运算
test_accaracy = sess.run(tf.reduce_mean(tf.cast(test_acc, tf.float32))) # 求出精度的准确率进行打印
if cnt > 90:
summ += test_accaracy
print(test_accaracy) # 打印当前测试集的精度
print("accaracy: %.2f%%" % float(summ/10*100))
In [ ]: