Tensorflow MNIST 数据集測试代码入门
本系列文章由 @yhl_leo 出品,转载请注明出处。
文章链接: http://blog.csdn.net/yhl_leo/article/details/50614444
測试代码已上传至GitHub:yhlleo/mnist
将MNIST数据集,下载后复制到目录Mnist_data
中,假设已经配置好tensorflow
环境,基本的四个測试代码文件,都能够直接编译执行:
mnist_softmax.py
: MNIST机器学习入门mnist_deep.py
: 深入MNISTfully_connected_feed.py
: TensorFlow运作方式入门mnist_with_summaries.py
: Tensorboard训练过程可视化
mnist_softmax.py
执行结果比較简单,就不列举。
mnist_deep.py
迭代执行较为耗时,结果已显示在博客: 深入MNIST code測试 。
fully_connected_feed.py
的执行结果例如以下(本人电脑为2 CPU,没有使用GPU):
Extracting Mnist_data/train-images-idx3-ubyte.gz
Extracting Mnist_data/train-labels-idx1-ubyte.gz
Extracting Mnist_data/t10k-images-idx3-ubyte.gz
Extracting Mnist_data/t10k-labels-idx1-ubyte.gz
I tensorflow/core/common_runtime/local_device.cc:25] Local device intra op parallelism threads: 2
I tensorflow/core/common_runtime/local_session.cc:45] Local session inter op parallelism threads: 2
Step 0: loss = 2.33 (0.023 sec)
Step 100: loss = 2.09 (0.007 sec)
Step 200: loss = 1.76 (0.009 sec)
Step 300: loss = 1.36 (0.007 sec)
Step 400: loss = 1.12 (0.007 sec)
Step 500: loss = 0.74 (0.008 sec)
Step 600: loss = 0.78 (0.006 sec)
Step 700: loss = 0.69 (0.007 sec)
Step 800: loss = 0.67 (0.007 sec)
Step 900: loss = 0.52 (0.010 sec)
Training Data Eval:
Num examples: 55000 Num correct: 47532 Precision @ 1: 0.8642
Validation Data Eval:
Num examples: 5000 Num correct: 4360 Precision @ 1: 0.8720
Test Data Eval:
Num examples: 10000 Num correct: 8705 Precision @ 1: 0.8705
Step 1000: loss = 0.56 (0.013 sec)
Step 1100: loss = 0.50 (0.145 sec)
Step 1200: loss = 0.33 (0.007 sec)
Step 1300: loss = 0.44 (0.006 sec)
Step 1400: loss = 0.39 (0.006 sec)
Step 1500: loss = 0.33 (0.009 sec)
Step 1600: loss = 0.56 (0.008 sec)
Step 1700: loss = 0.50 (0.007 sec)
Step 1800: loss = 0.42 (0.006 sec)
Step 1900: loss = 0.41 (0.006 sec)
Training Data Eval:
Num examples: 55000 Num correct: 49220 Precision @ 1: 0.8949
Validation Data Eval:
Num examples: 5000 Num correct: 4520 Precision @ 1: 0.9040
Test Data Eval:
Num examples: 10000 Num correct: 9014 Precision @ 1: 0.9014
[Finished in 22.8s]
mnist_with_summaries.py
主要提供了一种在Tensorboard可视化方法,首先。编译执行代码:
执行完成后,打开终端Terminal
,输入tensorboard --logdir=/tmp/mnist_logs
(与writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph_def)
中的文件路径一致),终端中就会执行显示:Starting TensorBoard on port 6006 (You can navigate to http://localhost:6006)
然后,打开浏览器,输入链接http://localhost:6006
:
当中,有一些选项。比如菜单条里包含EVENTS, IMAGES, GRAPH, HISTOGRAMS
,都能够一一点开查看~
另外,此时假设不关闭该终端,是无法在其它终端中又一次生成可视化结果的,会出现端口占用的错误。很多其它具体信息能够查看英文原文:TensorBoard: Visualizing Learning。
如有纰漏,欢迎指正!
最新文章
- Qt在ui中使用代码添加新的控件
- web应用 http 响应 url uri
- 关于GC的几篇文章
- POJ3714 Raid
- div+css总结—FF下div不设置高度背景颜色或外边框不能正常显示的解决方法(借鉴)
- WayPoint寻路
- desin pattern
- applicationContext-mail.xml 模板
- Cocoapod安装 - 管理第三方库
- 安装rvm命令行工具
- android listview 重用view导致的选择混乱问题
- Java作用域
- Compile Time Assertion..
- ES6入门2
- c语言链表升级
- Javascript高级编程学习笔记(92)—— Canvas(9) 渐变
- 剑指Offer 65. 矩阵中的路径 (回溯)
- vi常用指令
- ubuntu 16 安装 openjdk 8
- Netty学习第五节实例进一步学习
热门文章
- 接口测试工具篇--postman
- c#获取DataTable某一列不重复的值,或者获取某一列的所有值
- dedecms简略标题(副标题)使用方法教程
- UE4.18.3 C++项目无法打开C++类问题(VS2017)
- POJ 2228 Naptime(DP+环形处理)
- Vir-manager 创建虚拟机
- 【codeforces 131E】Yet Another Task with Queens
- 2015年开源项目荣登GitHub十强榜单
- spark rdd saveAsTextFile保存为文件
- zzulioj--1807--小明在努力(递归)