mnist 多层感知机及模型保存和重新加载

最新推荐文章于 2024-10-16 20:53:10 发布

「已注销」

最新推荐文章于 2024-10-16 20:53:10 发布

阅读量455

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.csdn.net/PiscesCrab/article/details/81744056

本文介绍了使用多层感知机训练MNIST数据集，达到98%以上的准确率，并详细展示了如何保存和重新加载模型的代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前一篇文章中写了mnist的两种训练方法，今天尝试自己搭建网络。这次，搭建了一个只含两层隐层和一层dropout层

本模型训练速度很快，且训练正确率达到了98%以上。

此外，本代码中还包含了保存模型和再次导入模型的内容。

具体代码如下：

# -*- coding: utf-8 -*-
"""
Created on Thu Aug 16 10:02:18 2018

@author: czx
"""

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

mnist = input_data.read_data_sets("E:\桌面上的文件\MNIST", one_hot=True) 

sess = tf.InteractiveSession()

#参数初始化
#产生一个符合正态分布的初始值
def weight_variable(shape): 
    initial = tf.truncated_normal(shape, mean=0, stddev=0.1) 
    #用于产生正态分布，shape为大小，mean为均值，stddev为标准差
    return tf.Variable(initial)

def bias_variable(shape): 
    initial = tf.constant(0.1, shape=shape) 
    return tf.Variable(initial)

in_unit = 784
h1_unit = 300
h2_unit = 150

w1 = weight_variable([in_unit,h1_unit])
b1 = bias_variable([h1_unit])
w2 = weight_variable([h1_unit,h2_unit])
b2 = bias_variable([h2_unit])
w3 = tf.Variable(tf.zeros([h2_unit,10]))
b3 =