一、代码
# Author:yifan
import matplotlib as mpl
from tensorflow.examples.tutorials.mnist import input_data #从tensorflow中导入数据
import tensorflow as tf
## 设置属性防止中文乱码及拦截异常信息
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False
#加载数据，从tensorflow中导入到本地
mnist = input_data.read_data_sets("data/",one_hot=True)
# print(mnist.train.num_examples) #55000
# print(mnist.train.labels.shape) #(55000, 10)
#构建神经网络（4层，1 input，2 hidden 1 output）
n_unit_hidden_1 = 256 #第一层的神经元数目
n_unit_hidden_2 = 128 #第二层的神经元数目
n_input = 784 #输入是28*28像素的。
n_classes = 10
#定义占位符
x = tf.placeholder(tf.float32,shape=[None,n_input],name='x') #None 表示输入不限制
y = tf.placeholder(tf.float32,shape=[None,n_classes],name='y')
#构建初始化
weights = {
"w1" : tf.Variable(tf.random.normal(shape=[n_input,n_unit_hidden_1],stddev=0.1)),
"w2" : tf.Variable(tf.random.normal(shape=[n_unit_hidden_1,n_unit_hidden_2],stddev=0.1)),
"out" : tf.Variable(tf.random.normal(shape=[n_unit_hidden_2,n_classes],stddev=0.1))
}
biases = {
"b1" : tf.Variable(tf.random.normal(shape=[n_unit_hidden_1],stddev=0.1)),#注意，这里shape只有一个参数
"b2" : tf.Variable(tf.random.normal(shape=[n_unit_hidden_2],stddev=0.1)),
"out" : tf.Variable(tf.random.normal(shape=[n_classes],stddev=0.1))
}
def multiplayer_perceotron(_X,_weights,_biases):
#第一层 ->第二层， input-- hidden1
layer1 = tf.nn.sigmoid(tf.add(tf.matmul(_X,_weights['w1']),_biases['b1']))
#第二层 ->第三层， hidden1-- hidden2
layer2 = tf.nn.sigmoid(tf.add(tf.matmul(layer1,_weights['w2']),_biases['b2']))
return tf.matmul(layer2,_weights['out'])+ _biases['out']
# 获取预测值
pred = multiplayer_perceotron(x,weights,biases)
#构建损失函数,计算softmax中的每个样本交叉熵，logits指定预测值，lables指定实际值
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred,labels=y))
#使用梯度下降，最小化误差损失
train = tf.train.GradientDescentOptimizer(learning_rate= 0.01).minimize(cost)
#得到预测类别是哪一个
predict = tf.equal(tf.argmax(pred ,axis=1),tf.argmax(y,axis=1))
#正确率
acc = tf.reduce_mean(tf.cast(predict,tf.float32))
#初始化
init = tf.global_variables_initializer()
#执行模型
batch_size = 100
display_step = 4
with tf.Session() as sess:
sess.run(init)
#保存
saver = tf.train.Saver()
epoch = 0
while True:
avg_cost = 0
#计算出中的批次
total_batch = int(mnist.train.num_examples / batch_size)
#迭代更新
for i in range(total_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
feeds = {x:batch_xs ,y:batch_ys}
#模型训练
sess.run(train,feed_dict=feeds)
#获取损失函数值
avg_cost += sess.run(cost,feed_dict=feeds)
avg_cost = avg_cost / total_batch #计算均值损失
if (epoch + 1) % display_step == 0 :
print("批次：%03d 损失函数值：%.9f" %(epoch , avg_cost))
feeds = {x:mnist.train.images , y:mnist.train.labels}
train_acc = sess.run(acc,feed_dict= feeds)
print("训练准确度：%.3f" %train_acc)
feeds = {x:mnist.test.images,y:mnist.test.labels}
test_acc = sess.run(acc,feed_dict=feeds)
print("测试准确度：%.3f" %test_acc)
if train_acc > 0.8 and test_acc > 0.8:
saver.save(sess,"./mn/model")
break
epoch += 1
#模型可视化输出
writer = tf.summary.FileWriter("./mn/graph",tf.get_default_graph())
writer.close()
二、结果
三、图形中展示
3.1 Copy 图形的路径
3.2 打开命令行，tensorboard --logdir 3.1的路径
3.3 在浏览器中输入：
3.4 结果：
我在代码中加入这些：（最早的代码中没有，显示的为上图）
上图将变成这样：
