debug模式
debug模式中的按键解释
断点设置
开始debug
也可以查看每个周期的权重W会发现是动态变化的
代码
import tensorflow.compat.v1 as tf tf.disable_v2_behavior() from tensorflow.examples.tutorials.mnist import input_data # 载入数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) # 批次大小 batch_size = 64 # 计算一个周期一共有多少个批次 n_batch = mnist.train.num_examples // batch_size # 定义两个placeholder #x表示输入图片的数据，y表示类别个数。x被拉伸成为1×784，y被拉伸成为1×10 x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) # 创建一个简单的神经网络:784-10 #创建规格为784×10方差为0.1的权重矩阵和规格为1×10的偏执向量 W = tf.Variable(tf.truncated_normal([784,10], stddev=0.1)) b = tf.Variable(tf.zeros([10]) + 0.1) #对x*w+b使用softmax激活函数 prediction = tf.nn.softmax(tf.matmul(x,W)+b) # 二次代价函数 # loss = tf.losses.mean_squared_error(y, prediction) # 交叉熵 000 loss = tf.losses.softmax_cross_entropy(y, prediction) # 使用梯度下降法 train = tf.train.GradientDescentOptimizer(0.3).minimize(loss) # 结果存放在一个布尔型列表中 #tf.argmax(y,1)得到里面的最大值 #tf.equal()判断函数内部的值是否一样，一样为TRUE否则为FALSE correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) # 将上面correct_prediction的格式转化为32位浮点型，并且求平均值，得到准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: # 变量初始化 sess.run(tf.global_variables_initializer()) # 周期epoch：所有数据训练一次，就是一个周期 for epoch in range(21): for batch in range(n_batch): # 获取一个批次的数据和标签 batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run(train,feed_dict={
x:batch_xs,y:batch_ys}) # 每训练一个周期做一次测试输出周期数和准确率 acc = sess.run(accuracy,feed_dict={
x:mnist.test.images,y:mnist.test.labels}) print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc)) w_print = str(sess.run(W)) #在当前目录下创建logdir文件夹，内部存放生成文件 writer = tf.summary.FileWriter('logdir/', sess.graph) #w_print = sess.run(W) #print(str(w_print)) #b_print = sess.run(b) #print(str(b_print)) 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/172771.html原文链接：https://javaforall.net
