在 Tensorflow 的 MNIST 上训练具有一个隐藏层的全连接网络答案

【问题标题】：Training a fully connected network with one hidden layer on MNIST in Tensorflow在 Tensorflow 的 MNIST 上训练具有一个隐藏层的全连接网络
【发布时间】：2017-09-18 19:15:08
【问题描述】：

我刚刚开始使用 Tensorflow 进行机器学习，在完成 MNIST 初学者教程后，我想通过插入一个隐藏层来稍微提高这个简单模型的准确性。本质上，然后我决定直接复制 Micheal Nielsen 关于神经网络和深度学习的书的第一章中的网络架构（参见here）。

Nielsen 的代码对我来说效果很好，但是，使用以下 Tensorflow 代码我没有得到可比较的结果。它应该——如果我没记错的话——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))

经过 30 个 epoch 的训练，我得到了大约 17% 的准确率。使用 Nielsen 的代码，我只经过一个 epoch 的训练就获得了 91% 的准确率。

显然我错过了一些东西。我试图提高准确性，并通过更长的训练时间设法将其提高到大约 60%，但是相同的网络应该给出相似的结果，即使它可能使用不同的后端代码。我也尝试过使用超参数，但没有获得任何可比较的结果。

你发现我的代码有什么缺陷吗？

【问题讨论】：

30 步并不多。那时你只会经历 300 个例子。尝试为您的 for 循环运行 1000 步。我认为它会达到 80% 到 90%。

标签： python machine-learning tensorflow neural-network

【解决方案1】：

正如 suharshs 所提到的，您的问题似乎是由对 epoch 一词的误解引起的。尽管并非严格如此，一个时期通常是对整个训练数据集的一次迭代。如果您再看一下 Nielsen 的代码，您会发现这反映在 SGD 方法中。单个 epoch 涉及遍历整个 training_data，它被分成小批量。您的每个时期实际上是一个小批量的大小，只有 10 个样本。

【讨论】：