Question

我是 TensorFlow的新手。我查找了使用tensorflow实现多层感知器的示例，但我只在MNIST图像上获得示例 数据集，除了MNIST，我能够使用相同的优化和成本函数构建神经网络模型，并训练数字格式的数据，意味着，我可以使用张量流训练我自己的数字数据集。

是否有培训新数据集的示例？。

Answer 1

最后我明白了。使用具有张量流，numpy，matplotlib包的单层感知器构建，训练和最小化人工神经网络的成本/损失。 数据以数组的形式使用的MNIST。这是代码。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
learning_rate = 0.0008
training_epochs = 2000
display_step = 50
# taking input as array from numpy package and converting it into tensor
inputX = np.array([[  2,   3],
                  [  1,   3]])
inputY = np.array([[  2,   3],
                  [  1,   3]])
x = tf.placeholder(tf.float32, [None, 2])
y_ = tf.placeholder(tf.float32, [None, 2])

W = tf.Variable([[0.0,0.0],[0.0,0.0]])
b = tf.Variable([0.0,0.0])

layer1 = tf.add(tf.matmul(x, W), b)
y = tf.nn.softmax(layer1)

cost = tf.reduce_sum(tf.pow(y_-y,2))

optimizer =tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(cost)

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

avg_set = []
epoch_set = []

for i in range(training_epochs):
   sess.run(optimizer, feed_dict = {x: inputX, y_:inputY})

   #log training
   if i % display_step == 0:
       cc = sess.run(cost, feed_dict = {x: inputX, y_:inputY})
       #check what it thinks when you give it the input data
       print(sess.run(y, feed_dict = {x:inputX}))


       print("Training step:", '%04d' % (i), "cost=", "{:.9f}".format(cc))
       avg_set.append(cc)
       epoch_set.append(i + 1)

print("Optimization Finished!")
training_cost = sess.run(cost, feed_dict = {x: inputX, y_: inputY})
print("Training cost = ", training_cost, "\nW=", sess.run(W),
      "\nb=", sess.run(b))
plt.plot(epoch_set,avg_set,'o',label = 'SLP Training phase')
plt.ylabel('cost')
plt.xlabel('epochs')
plt.legend()
plt.show()

稍后通过添加隐藏层，它也可以使用Multi Layer Perceptron

实现

Answer 2

修改TensorFlow multilayer perceptron example很简单。您需要在此处指定输入和输出大小

dotnet publish -c Release -r win-x86

最后，您必须更改训练周期代码以使用数据集。我无法帮助你，因为我对你的数据集一无所知。

TensorFlow：使用自己的数据集实现单层感知器/多层感知器

2 个答案: