deep_learning_LSTM长短期记忆神经网络处理Mnist数据集

1、RNN（Recurrent Neural Network）循环神经网络模型

详见RNN循环神经网络：https://www.cnblogs.com/pinard/p/6509630.html

2、LSTM（Long Short Term Memory）长短期记忆神经网络模型

详见LSTM长短期记忆神经网络：http://www.cnblogs.com/pinard/p/6519110.html

 

3、LSTM长短期记忆神经网络处理Mnist数据集

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data from tensorflow.contrib import rnn   # 载入数据集 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)   # 输入图片是28*28 n_inputs = 28  # 输入一行，一行有28个数据（28个像素点），即输入序列长度为28 max_time = 28  # 一共28行 lstm_size = 100  # 隐层单元 n_classes = 10  # 10个分类 batch_size = 50  # 每批次50个样本 n_batch = mnist.train.num_examples // batch_size  # 计算一共有多少个批次   # 这里的none表示第一个维度可以是任意的长度 x = tf.placeholder(tf.float32, [None, 784]) # 正确的标签 y = tf.placeholder(tf.float32, [None, 10])   # 初始化权值 weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1)) # 初始化偏置值 biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))     # 定义RNN网络 def RNN(X, weights, biases):     inputs = tf.reshape(X, [-1, max_time, n_inputs])     # 定义LSTM基本CELL     lstm_cell = rnn.BasicLSTMCell(lstm_size)     # final_state[0]是cell state     # final_state[1]是hidden_state     outputs, final_state = tf.nn.dynamic_rnn(lstm_cell, inputs, dtype=tf.float32)     results = tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)     return results   # 计算RNN的返回结果 prediction = RNN(x, weights, biases) # 损失函数 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y)) # 使用AdamOptimizer进行优化 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 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))  # argmax返回一维张量中最大的值所在的位置 # 求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 把correct_prediction变为float32类型 # 初始化 init = tf.global_variables_initializer()   with tf.Session() as sess:     sess.run(init)     for epoch in range(21):         for batch in range(n_batch):             batch_xs, batch_ys = mnist.train.next_batch(batch_size)             sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})           acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})         print("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))

　结果为：

　

转自：https://www.cnblogs.com/asialee/p/9277161.html