基于python的三层神经网络模型搭建.pdf

【实例简介】：搭建神经网络，在 mnist 数据集上训练模型，输出手写数字识别准确
率。

【实例截图】人工智能，机器学习

【核心代码】

def test( mnist ): 

with tf.Graph( ).as_default( ) as g: 
    #给 x y_占位 
    x = tf.placeholder(dtype,shape) 
    y_ = tf.placeholder(dtype,shape)        
10 
 
#前向传播得到预测结果 y 
 y = mnist_forward.forward(x, None)  #前向传播得到 y 
#实例化可还原滑动平均的 saver 
ema = tf.train.ExponentialMovingAverage(滑动衰减率) 
    ema_restore = ema.variables_to_restore()     saver = tf.train.Saver(ema_restore)     #计算正确率 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_, 1))         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) while True:                         with tf.Session() as sess:                 #加载训练好的模型 ckpt = tf.train.get_checkpoint_state(存储路径) #如果已有 ckpt 模型则恢复                   if ckpt and ckpt.model_checkpoint_path:                      #恢复会话                     saver.restore(sess, ckpt.model_checkpoint_path)                      #恢复轮数                     global_ste = ckpt.model_checkpoint_path.split ('/')[-1].split('-')[-1]                                               #计算准确率  accuracy_score = sess.run(accuracy, feed_dict=                                     {x:测试数据, y_:测试数据标签 })                                           # 打印提示   print("After %s training step(s), test accuracy= %g" % (global_step, accuracy_score))                                  #如果没有模型   else:                    print('No checkpoint file found') #模型不存在提示                                      return             其次，制定 main()函数 def main():      #加载测试数据集    mnist = input_data.read_data_sets("./data/", one_hot=True) #调用定义好的测试函数 test()     
11 
 
    test(mnist) if __name__ == '__main__':         main() 
通