点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达基于tensorflow，如何实现一个简单的循环神经网络，完成手写数字识别，附完整演示代码。
01 LSTM网络构建
基于tensorflow实现简单的LSTM网络，完成mnist手写数字数据集训练与识别。这个其中最重要的构建一个LSTM网络，tensorflow已经给我们提供相关的API， 我们只要使用相关API就可以轻松构建一个简单的LSTM网络。
首先定义输入与目标标签
# create RNN network
X = tf.placeholder(shape=[None, time_steps, num_features], dtype=tf.float32)
Y = tf.placeholder(shape=[None, 10], dtype=tf.float32)其中
None: 表示batchsize的大小或者数目
time_steps: 网络把输出重新输入的次数
num_features: 输入矩阵/神经元
构建LSTM单元
lstm_cell = rnn.BasicLSTMCell(num_hidden, forget_bias=1.0)
outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)其中：
lstm_cell 表示 LSTM 的单元
num_hidden : 隐藏层节点数目
forget_bias: 遗忘门中要加上的增益偏置outputs: 网络输出
states：状态
这样我们就构建好一个LSTM循环神经网络了，它的执行过程是很魔幻的。简直是神奇！以后再说。
02 代码程序执行与输出
完整的代码演示分为如下几个部分：
加载数据集
创建LSTM网络
训练网络
执行测试
import tensorflow as tf
from tensorflow.contrib import rnn
import numpy as npfrom tensorflow.examples.tutorials.mnist import input_data
print(tf.__version__)
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)num_hidden = 128
time_steps = 28
num_features = 28
num_classes = 10
batch_size = 128# create RNN network
X = tf.placeholder(shape=[None, time_steps, num_features], dtype=tf.float32)
Y = tf.placeholder(shape=[None, 10], dtype=tf.float32)# Define weights
weights = {'out': tf.Variable(tf.random_normal([num_hidden, num_classes]))
}
biases = {'out': tf.Variable(tf.random_normal([num_classes]))
}def rnn_network(x, weights, biases):x = tf.unstack(x, time_steps, 1)lstm_cell = rnn.BasicLSTMCell(num_hidden, forget_bias=1.0)outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)return tf.matmul(outputs[-1], weights['out']) + biases['out']# 输入预测
logits = rnn_network(X, weights, biases)
prediction = tf.nn.softmax(logits)# 定义损失函数与优化器
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y))
optimizer = tf.train.AdamOptimizer()
train_op = optimizer.minimize(loss_op)# 计算识别精度
correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))# 开始训练
with tf.Session() as sess:sess.run(tf.global_variables_initializer())for step in range(1, 5001):batch_x, batch_y = mnist.train.next_batch(batch_size)# Reshape data to get 28 seq of 28 elementsbatch_x = batch_x.reshape((batch_size, time_steps, num_features))# Run optimization op (backprop)sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})if step % 1000 == 0 or step == 1:# Calculate batch loss and accuracyloss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x,Y: batch_y})print("Step " + str(step) + ", Loss= " + \"{:.4f}".format(loss) + ", Training Accuracy= " + \"{:.3f}".format(acc))print("Optimization Finished!")# 使用测试数据集测试训练号的模型， 测试128张手写数字图像test_len = 128test_data = mnist.test.images[:test_len].reshape((-1, time_steps, num_features))test_label = mnist.test.labels[:test_len]print("Testing Accuracy:", \sess.run(accuracy, feed_dict={X: test_data, Y: test_label}))运行输出如下：
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
