Pycharm 单步调试
1.添加断点
2.调试断点
3.打印权重矩阵和偏置值
最后出于好奇，我打印出最终的W的值，可以看到训练之后的情况
确实发生了变化。
4.源代码
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import numpy as np np.set_printoptions(threshold=np.inf) # 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 = 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 W = tf.Variable(tf.truncated_normal([784,10], stddev=0.1)) b = tf.Variable(tf.zeros([10]) + 0.1) 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 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 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) # 求准确率 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) #每一次提取64张图片进行训练 sess.run(train,feed_dict={
x:batch_xs,y:batch_ys}) # 每训练一个周期做一次测试 acc = sess.run(accuracy,feed_dict={
x:mnist.test.images,y:mnist.test.labels}) #mnist.test.images和mnist.test.labels是测试集，用来测试 print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc)) writer = tf.summary.FileWriter('logdir/', sess.graph) W_print = sess.run(W) print("W: "+str(W_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/174011.html原文链接：https://javaforall.net
