Question

我刚刚使用Tensorflow进入机器学习，在完成MNIST初学者教程后，我想通过插入隐藏层来提高该简单模型的准确性。基本上，我决定直接从Micheal Nielsen关于神经网络和深度学习的书的第一章中复制网络架构（参见here）。

尼尔森的代码对我来说很好，但是，我没有使用以下Tensorflow代码获得可比较的结果。它应该 - 如果我没有弄错的话 - 完全实现尼尔森提出的模型：

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


def weight_variable(shape):
    initial = tf.random_normal(shape)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.random_normal(shape)
    return tf.Variable(initial)


x = tf.placeholder(tf.float32, [None, 784])

#hidden layer
W_fc1 = weight_variable([784, 30])
b_fc1 = bias_variable([30])
h_fc1 = tf.sigmoid(tf.matmul(x, W_fc1) + b_fc1)

#output layer
W_fc2 = weight_variable([30, 10])
b_fc2 = bias_variable([10])
y = tf.sigmoid(tf.matmul(h_fc1, W_fc2) + b_fc2)

y_ = tf.placeholder(tf.float32, [None, 10])
loss = tf.reduce_mean(tf.reduce_sum(tf.pow(y_ - y, 2), reduction_indices=[1])) #I also tried simply tf.nn.l2_loss(y_ - y)
train_step = tf.train.GradientDescentOptimizer(3.0).minimize(loss)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

def get_accuracy():
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    return sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

for i in range(30):
    batch_xs, batch_ys = mnist.train.next_batch(10)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
    print("Epoch {} accuracy: {:.2f}%".format(i+1, get_accuracy() * 100))

在30个时期的训练之后，我获得了约17％的准确度。使用尼尔森的代码，经过一个训练时期后，我的准确率达到了91％。

显然我错过了一些东西。我试图提高准确性，并设法通过更长时间的培训将其提高到约60％，但同一网络应该给出类似的结果，即使它可能使用不同的后端代码。我也尝试过使用超参数但没有达到任何可比较的结果。

你在我的代码中发现了任何缺陷吗？

Answer 1

正如suharshs所提到的，看起来你的问题是由对术语时代的误解造成的。虽然不是严格的情况，但是一个纪元通常是整个训练数据集的单次迭代。如果您再看一下尼尔森的代码，您会在SGD方法中看到这一点。单个时期涉及遍历整个training_data，其被分成小批量。您的每个时期实际上都是一个小批量的大小，只有10个样本。

在Tensorflow中使用MNIST上的一个隐藏层训练完全连接的网络

1 个答案: