#coding:utf-8
3import tensorflow as tf
4fromtensorflow.examples.tutorials.mnist import input_data
5import os
6
7
8# 基础的学习率
9 LEARNING_RATE_BASE= 0.8
10
11# 学习率的衰减率
12LEARNING_RATE_DECAY = 0.99
13
14# 描述模型复杂度的正则化项在损失函数中的系数
15REGULARIZATION_RATE = 0.0001
16
17# 训练轮数
18 TRAINING_STEPS =30000
19
20# 滑动平均衰减率
21MOVING_AVERAGE_DECAY = 0.99
22
23# 模型持久化保存路径
24 MODEL_SAVE_PATH = "MNIST_model/"
25# 模型持久化保存文件名称
26 MODEL_NAME = "mnist_model"
27
28# 输入层节点数（对于数据集，相当于整个图片的像素数目）
29 INPUT_NODE = 784
30
31# 输出层的节点数（根据10个数字决定的）
32 OUTPUT_NODE = 10
33
34# 隐藏层的节点数，此例程中，隐藏层为一层。
35 LAYER1_NODE = 500
36
37# 一个训练batch中的训练数据个数，数字越小的时候，训练过程越接近随机梯度下降。
38 BATCH_SIZE = 100
39
40
41def train(mnist):
42 # 定义输入输出placeholder。
43 x = tf.placeholder(tf.float32, [None,INPUT_NODE], name=‘x-input‘)
44 y_ = tf.placeholder(tf.float32, [None,OUTPUT_NODE], name=‘y-input‘)
45 # 正则化损失函数
46 regularizer =tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
47 # 使用定义的向前传播过程
48 y = inference(x, regularizer)
49
50 # 定义存储训练轮数的变量。这个变量不需要计算滑动的平均值，所以这里指定这个变量为不可训练的变量（trainable=False）。
51 # 在tensorflow中训练神经网络的时候，一般会将代表训练轮数的变量指定为不可训练的参数。
52 global_step = tf.Variable(0, trainable=False)
53
54 # 定义损失函数、学习率、滑动平均操作以及训练过程。
55 variable_averages =tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
56 # 在所有代表神经网络参数的变量上使用滑动平均。其它辅助变量（如global_step）就不需要了
57 variables_averages_op =variable_averages.apply(tf.trainable_variables())
58 # 计算交叉熵作为刻画预测值和真实值之间差距的损失函数。（第一个参数是神经网络不包含softmax层的前向传播结果，第二个是训练数据的正确答案）
59 # 因为标准答案是一个长度为10的一维数组，二该函数需要提供的是一个正确答案的数字，所以需要使用tf.argmax函数来得到正确答案对应的类别编号。
60 cross_entropy =tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
61 # 计算当前batch中所有样例的交叉熵平均值
62 cross_entropy_mean =tf.reduce_mean(cross_entropy)
63 # 总损失等于交叉熵和
64 loss = cross_entropy_mean +tf.add_n(tf.get_collection(‘losses‘))
65
66 # 设置指数衰减的学习率
67 learning_rate = tf.train.exponential_decay(
68 LEARNING_RATE_BASE, # 基础的学习率，随着迭代的进行，更新变量时使用的学习率在这个基础上递减
69 global_step, # 当前迭代的轮数
70 mnist.train.num_examples / BATCH_SIZE,LEARNING_RATE_DECAY, # 过完所有的训练数据需要的迭代次数
71 staircase=True)
72
73 # 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。注意这里损失函数包含了交叉熵和正则损失
74 train_step =tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
75
76 with tf.control_dependencies([train_step,variables_averages_op]):
77 train_op = tf.no_op(name=‘train‘)
78
79 # 初始化TensorFlow持久化类。
80 saver = tf.train.Saver()
81 with tf.Session() as sess:
82 tf.global_variables_initializer().run()
83
84 # 在训练过程中，不在测试模型在验证数据上的表现，验证和测试的过程将会有一个独立的程序来完成。
85 for i in range(TRAINING_STEPS):
86 xs, ys = mnist.train.next_batch(BATCH_SIZE)
87 _, loss_value, step =sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})
88 if i % 1000 == 0:
89 # 输出当前的训练情况，这里只输出了模型在当前训练batch上的损失函数大小，通过损失函数的大小可以大概了解训练的情况。在验证数据集上的正确
90 # 率信息会有一个单独的程序来生成。
91 print("After %d training step(s), loss ontraining batch is %g." % (step, loss_value))
92 # 保存当前的模型。global_step参数，这样可以让每个被保存模型的文件名末尾加上训练的轮数，如model.ckpt-1000表示训练1000轮之后得到的模型
93 saver.save(sess,os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)
94
95# 通过tf.get_variable函数来获取变量在测试是会通过保存的模型加载这些变量的取值。而且更加方便的是，因为可以在变量加载时将滑动平均变量重命名
96# 所以可以直接通过同样的名字在训练时使用变量自身，而在测试时使用变量的滑动平均值。这个函数中会将变量的正则化损失加损失集合。
97defget_weight_variable(shape, regularizer):
98 weights = tf.get_variable("weights", shape,initializer=tf.truncated_normal_initializer(stddev=0.1))
99 # 当给出正则化生产函数时，将当前变量的正则化损失加入名字为Losses的集合。在这里使用了add_to_collection函数将一个张量加入一个集合，
100 # 而这个集合的名称为losses.这是自定义集合，不在Tensorflow自动管理的集合列表中
101 if regularizer !=None: tf.add_to_collection(‘losses‘, regularizer(weights))
102 return weights
103
104# 定义神经网络的前向传播过程（初始化所有参数的辅助函数，给定神经网络中的参数）
105definference(input_tensor, regularizer):
106 # 声明第一层神经网络的变量并完成前向传播过程
107 withtf.variable_scope(‘layer1‘):
108 # 通过tf.get_variable 和tf.Variable没有本质区别，因为在训练或是测试中没有在同一个程序中多次调用这个函数。如果在同一个过程多次调用，
109 # 在第一调用的之后需要将resuse参数设置为True
110 weights =get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
111 biases =tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
112 layer1 =tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
113
114 # 声明第二层神经网络的变量并完成向前传播的过程
115 withtf.variable_scope(‘layer2‘):
116 weights =get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
117 biases =tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
118 layer2 =tf.matmul(layer1, weights) + biases
119
120 return layer2
121
122# 2.主程序部分
123def main(argv=None):
124 # 获取数据集（根据谷歌的例程中相关的获取路径）
125 mnist =input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
126 # 根据数据集训练模型
127 train(mnist)
128
129# 1 .程序入口
130if__name__ == ‘__main__‘:
131 main()