本文實例為大家分享了Tensorflow訓練MNIST手寫數字識別模型的具體代碼，供大家參考，具體內容如下

成都創新互聯公司堅持“要么做到，要么別承諾”的工作理念，服務領域包括：網站制作、網站設計、企業官網、英文網站、手機端網站、網站推廣等服務，滿足客戶于互聯網時代的城區網站設計、移動媒體設計的需求，幫助企業找到有效的互聯網解決方案。努力成為您成熟可靠的網絡建設合作伙伴！

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
 
INPUT_NODE = 784  # 輸入層節點=圖片像素=28x28=784
OUTPUT_NODE = 10  # 輸出層節點數=圖片類別數目
 
LAYER1_NODE = 500  # 隱藏層節點數，只有一個隱藏層
BATCH_SIZE = 100  # 一個訓練包中的數據個數，數字越小
          # 越接近隨機梯度下降，越大越接近梯度下降
 
LEARNING_RATE_BASE = 0.8   # 基礎學習率
LEARNING_RATE_DECAY = 0.99  # 學習率衰減率
 
REGULARIZATION_RATE = 0.0001  # 正則化項系數
TRAINING_STEPS = 30000     # 訓練輪數
MOVING_AVG_DECAY = 0.99    # 滑動平均衰減率
 
# 定義一個輔助函數，給定神經網絡的輸入和所有參數，計算神經網絡的前向傳播結果
def inference(input_tensor, avg_class, weights1, biases1,
       weights2, biases2):
 
 # 當沒有提供滑動平均類時，直接使用參數當前取值
 if avg_class == None:
  # 計算隱藏層前向傳播結果
  layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
  # 計算輸出層前向傳播結果
  return tf.matmul(layer1, weights2) + biases2
 else:
  # 首先計算變量的滑動平均值，然后計算前向傳播結果
  layer1 = tf.nn.relu(
    tf.matmul(input_tensor, avg_class.average(weights1)) +
    avg_class.average(biases1))
  
  return tf.matmul(
    layer1, avg_class.average(weights2)) + avg_class.average(biases2)
 
# 訓練模型的過程
def train(mnist):
 x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
 y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
 
 # 生成隱藏層參數
 weights1 = tf.Variable(
   tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
 biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
 
 # 生成輸出層參數
 weights2 = tf.Variable(
   tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
 biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
 
 # 計算前向傳播結果，不使用參數滑動平均值 avg_class=None
 y = inference(x, None, weights1, biases1, weights2, biases2)
 
 # 定義訓練輪數變量，指定為不可訓練
 global_step = tf.Variable(0, trainable=False)
 
 # 給定滑動平均衰減率和訓練輪數的變量，初始化滑動平均類
 variable_avgs = tf.train.ExponentialMovingAverage(
   MOVING_AVG_DECAY, global_step)
 
 # 在所有代表神經網絡參數的可訓練變量上使用滑動平均
 variables_avgs_op = variable_avgs.apply(tf.trainable_variables())
 
 # 計算使用滑動平均值后的前向傳播結果
 avg_y = inference(x, variable_avgs, weights1, biases1, weights2, biases2)
 
 # 計算交叉熵作為損失函數
 cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
   logits=y, labels=tf.argmax(y_, 1))
 cross_entropy_mean = tf.reduce_mean(cross_entropy)
 
 # 計算L2正則化損失函數
 regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
 regularization = regularizer(weights1) + regularizer(weights2)
 
 loss = cross_entropy_mean + regularization
 
 # 設置指數衰減的學習率
 learning_rate = tf.train.exponential_decay(
   LEARNING_RATE_BASE,
   global_step,              # 當前迭代輪數
   mnist.train.num_examples / BATCH_SIZE, # 過完所有訓練數據的迭代次數
   LEARNING_RATE_DECAY)
 
 
 # 優化損失函數
 train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(
   loss, global_step=global_step)
 
 # 反向傳播同時更新神經網絡參數及其滑動平均值
 with tf.control_dependencies([train_step, variables_avgs_op]):
  train_op = tf.no_op(name='train')
 
 # 檢驗使用了滑動平均模型的神經網絡前向傳播結果是否正確
 correct_prediction = tf.equal(tf.argmax(avg_y, 1), tf.argmax(y_, 1))
 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
 
 
 # 初始化會話并開始訓練
 with tf.Session() as sess:
  tf.global_variables_initializer().run()
  
  # 準備驗證數據，用于判斷停止條件和訓練效果
  validate_feed = {x: mnist.validation.images,
          y_: mnist.validation.labels}
  
  # 準備測試數據，用于模型優劣的最后評價標準
  test_feed = {x: mnist.test.images, y_: mnist.test.labels}
  
  # 迭代訓練神經網絡
  for i in range(TRAINING_STEPS):
   if i%1000 == 0:
    validate_acc = sess.run(accuracy, feed_dict=validate_feed)
    print("After %d training step(s), validation accuracy using average " 
       "model is %g " % (i, validate_acc))
    
   xs, ys = mnist.train.next_batch(BATCH_SIZE)
   sess.run(train_op, feed_dict={x: xs, y_: ys})
  
  # 訓練結束后在測試集上檢測模型的最終正確率
  test_acc = sess.run(accuracy, feed_dict=test_feed)
  print("After %d training steps, test accuracy using average model "
     "is %g " % (TRAINING_STEPS, test_acc))
  
  
# 主程序入口
def main(argv=None):
 mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
 train(mnist)
 
# Tensorflow主程序入口
if __name__ == '__main__':
 tf.app.run()

另外有需要云服務器可以了解下創新互聯scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業上云的綜合解決方案，具有“安全穩定、簡單易用、服務可用性高、性價比高”等特點與優勢，專為企業上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

分享文章：Tensorflow訓練MNIST手寫數字識別模型-創新互聯
網站網址：http://www.yijiale78.com/article32/ddhcsc.html

成都網站建設公司_創新互聯，為您提供響應式網站、網站設計公司、網頁設計公司、App設計、微信公眾號、靜態網站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯