5 TensorFlow入门笔记之RNN实现手写数字识别

2022-02-26

———————————————————————————————————————

写在开头：本文参考莫凡教程（墙裂推荐！！！）

———————————————————————————————————————

循环神经网络 RNN

相关名词：

– LSTM：长短期记忆

– 梯度消失/梯度离散

– 梯度爆炸

– 输入控制：控制是否将当前内存加入主线网络

-忘记控制：控制是否暂时忘记主线网络，先看当前分支

– 输出控制：控制输出是否应考虑特征

– 数据已排序/序列化

– 前面影响后面

RNN LSTM 分类和识别手写数字 rnn 使用错误和更正

错误描述： : tf.nn./rnn// , .你的意思是设置reuse=True 还是reuse=tf.在 ？在：

错误解决：看看你的训练数据和测试数据是不是放在同一个文件里，如果是，加下面一句：

#如果训练和测试数据存放在同一个文件中，一定要加下面这句！
tf.reset_default_graph()  

如果此时出现错误2，请使用以下解决方案：

#把tf.reset_default_graph()  改为：
    tf.Graph()

完整代码

完整的分类代码和结果如下

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#load data
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
#参数
lr = 0.001
training_iters = 100000   #循环次数
batch_size = 128      
n_inputs = 28    #因为照片是28*28，而每次都读一行，所以input为28
n_steps = 28     #因为有28行，所以要input28步    
n_hidden_unis = 128  #隐藏层，自己设
n_classes = 10  #10个数字（0-9），所以类别有10种
#holder
x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])
y = tf.placeholder(tf.float32,[None,n_classes])
#定义权重
weights = {

    #input weights(28,128)
    'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_unis])),
    #output weights(128,10)
    'out':tf.Variable(tf.random_normal([n_hidden_unis,n_classes]))
}
#定义偏置
biases = {
    'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_unis,])),
    'out':tf.Variable(tf.constant(0.1,shape =[n_classes,]))
}
#定义RNN
def RNN(X,weights,biasis):
    #hidden layer
    #X(128,28,28) ==>(128*28,28)
    X = tf.reshape(X,[-1,n_inputs])
    X_in =tf.matmul(X,weights['in']+biases['in'])  #(128*28,128)
    X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_unis])#(128,28,128)

    #cell
    #forget_bais推荐初始化为1.0
    #with tf.variable_scope('lstm_cell'):
    lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_unis,forget_bias=1.0,state_is_tuple=True)
    #with tf.variable_scope('init_'):   
    init_state = lstm_cell.zero_state(batch_size,dtype=tf.float32)
    #output是个列表；这里实践维度在行，就是X_in的第二个，所以为false，时间维度为第一个，则true
    with tf.variable_scope('tf.nn.dynsmic_rnn'):
        outputs,states = tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=init_state,time_major=False)
    #output
    results = tf.matmul(states[1],weights['out']+biases['out'])
    ##other way,这里可用
    #outputs = tf.unpack(tf.transpose(outputs,[1,0,2]))
    #results = tf.matmuo(outputs[-1],weights['out']+biases['out'])
    return results
#如果训练和测试数据存放在同一个文件中，一定要加下面这句！
tf.Graph() 
pred = RNN(x,weights,biases)

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=pred))
train_op = tf.train.AdamOptimizer(lr).minimize(cost)
correct_pred = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred,tf.float32))
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    step = 0
    while step*batch_size < training_iters:
        batch_xs,batch_ys = mnist.train.next_batch(batch_size)
        batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])
        sess.run([train_op],feed_dict={x:batch_xs,y:batch_ys,})
        if step%50 == 0:
            print(sess.run(accuracy,feed_dict = {
                x:batch_xs,y:batch_ys,
            }))
        step += 1

Extracting MNIST_datatrain-images-idx3-ubyte.gz
Extracting MNIST_datatrain-labels-idx1-ubyte.gz
Extracting MNIST_datat10k-images-idx3-ubyte.gz
Extracting MNIST_datat10k-labels-idx1-ubyte.gz

0.2109375
0.78125
0.84375
0.9140625
0.921875
0.921875
0.9375
0.9453125
0.96875
0.9140625
0.953125
0.984375
0.9609375
0.9453125
0.96875
0.9921875

从以上结果来看，RNN的效果还是很不错的！

*点击[这里：]发现更多关于*的文章

分类：

技术要点：

相关文章：