TensorFlow学习笔记 —— MNIST 入门

其他 2019-04-20 20:01:06 阅读次数: 0
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/makingLJ/article/details/88370963

TensorFlow MNIST 入门

文章目录

参考链接

MNIST 入门

全连接神经网络 MNIST

初步实现

利用全连接神经网络进行 MNIST 手写体识别，主要是将手写体图片输入全连接的神经网络，训练，得到图片识别的结果。

实现代码入下:

# -*- coding: utf-8 -*-
import os

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# MNIST 数据集相关的常数
INPUT_NODE = 784
OUTPUT_NODE = 10

# 配置神经网络参数
LAYER1_NODE = 500

BATCH_SIZE = 100

LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 50000
# 滑动平均衰减率
MOVING_AVERAGE_DECAY = 0.99
# 训练参数保存
MODEL_SAVE_PATH = "MNIST_model/"
MODEL_NAME = "mnist_model"


# 辅助函数，给定输入和神经网络参数，计算神经网络的前向传播结果
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
    # 当没有提供滑动平均类时，直接使用参数当前的取值
    if avg_class is None:
        # 计算隐含层的前向传播结果，使用ReLU 激活函数
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)

        # 计算输出层的前向传播结果
        return tf.matmul(layer1, weights2) + biases2
    else:
        # 首先使用 avg_class.average 函数计算得出变量的滑动平均值，
        # 然后计算相应的神经网络前向传播结果
        layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1))
                            + avg_class.average(biases1))

        return tf.matmul(layer1, avg_class.average(weights2)) \
               + avg_class.average(biases2)


# 模型训练过程
def train(mnist):
    # ============= 定义神经网络的结构 ============
    # 定义输入数据和正确输出数据变量
    x = tf.placeholder(tf.float32, [None, INPUT_NODE], name="x-input")
    y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name="y-input")

    # 生成隐含层的参数
    weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
    biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))

    # 生成输出层的参数
    weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
    biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))

    # 计算当前参数下的神经网络的前向传播的结果，不需要使用参数的滑动平均
    y = inference(x, None, weights1, biases1, weights2, biases2)

    # 定义存储训练轮数的变量
    global_step = tf.Variable(0, trainable=False)

    # 给定滑动平均衰减率和训练轮数的变量，初始化滑动平均类
    variable_averages = tf.train.ExponentialMovingAverage(
        MOVING_AVERAGE_DECAY, global_step)

    # 在所有代表神经网络参数的变量上使用滑动平均
    variables_averages_op = variable_averages.apply(tf.trainable_variables())

    # 计算滑动平均之后的前向传播结果
    average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)

    # ============ 定义损失函数 ===============
    # 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
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
    # 计算在当前 batch 中所有样例的交叉熵平均值
    cross_entropy_mean = tf.reduce_mean(cross_entropy)

    # L2 正则化损失函数
    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    # 计算模型的正则化损失
    regularization = regularizer(weights1) + regularizer(weights2)
    # 总损失等于交叉熵损失和正则化损失之和
    loss = cross_entropy_mean + regularization

    # ========== 定义训练过程 ==============
    # 设置指数衰减的学习率
    learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,
                                               global_step,  # 当前迭代轮数
                                               # 过完所有的训练数据需要的迭代次数
                                               mnist.train.num_examples / BATCH_SIZE,
                                               LEARNING_RATE_DECAY)

    # 梯度下降优化参数
    train_step = tf.train.GradientDescentOptimizer(learning_rate). \
        minimize(loss, global_step=global_step)

    # 训练过程中同时更新网络参数和每一个参数的平均值
    with tf.control_dependencies([train_step, variables_averages_op]):
        train_op = tf.no_op(name="train")

    # ========= 计算训练精度 ============
    # 计算精度
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    # ======== 迭代训练 ===========
    saver = tf.train.Saver()
    with tf.Session() as sess:
        # ====== 模型参数初始化 ========
        tf.global_variables_initializer().run()

        # ========== 输入数据 =========
        # 准备验证数据
        validate_feed = {x: mnist.validation.images,
                         y_: mnist.validation.labels}

        # 准备测试数据
        test_feed = {x: mnist.test.images,
                     y_: mnist.test.labels}

        # 迭代训练神经网络
        for i in range(TRAINING_STEPS):
            # 每 1000 轮输出一次在验证数据集上的测试结果
            if i % 1000 == 0:
                validate_acc = sess.run(accuracy, feed_dict=validate_feed)
                print("After %d training step(s), validation accuracy using average model is %g" % (i, validate_acc))
                saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)

            # ======= 获取一次训练的数据批次 ========
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            # ====== 将数据输入神经网络，并开始一次训练 =========
            sess.run(train_op, feed_dict={x: xs, y_: ys})

        # ======== 训练结束，计算测试精度，评判训练结果 ==========
        test_acc = sess.run(accuracy, feed_dict=test_feed)
        print("After %d training step(s), test accuracy using average model is %g" % (TRAINING_STEPS, test_acc))


def main(argv=None):
    # 获取 MNIST 数据集，执行时数据集的路径应该根据本地的情况修改
    mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
    train(mnist)


if __name__ == '__main__':
    tf.app.run()

如 TensorFlow 的 MNIST 上面的代码主要定义了一个双层全连接神经网络完成 MNIST 手写体识别任务。看懂上面的代码需要参考官网的教程搞清楚 TensorFlow 中 Variable 以及 placeholder 等基本语法，同时要熟悉神经网络前向传播、训练过程。

从上面代码可以看出， TensorFlow 神经网络应用中，首先定义网络结构及网络的前向传播过程（定义计算图中的所有计算），然后执行计算即可完成训练，即执行计算时 TensorFlow 自动执行前向传播和反向传播过程。

考虑变量管理后的代码修改

上面的实现代码，通过引用传递变量，当神经网络的结构变得更加复杂、变量更多之后，会大大降低程序的可读性。

# -*- coding: utf-8 -*-
# @File    : mnist_inference.py
import tensorflow as tf

# 配置神经网络参数
INPUT_NODE = 784
OUTPUT_NODE = 10

LAYER1_NODE = 500


# 通过 tf.get_variable 函数来获得变量。在训练神经网络时会创建这些变量；
# 在测试时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，
# 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。
# 在这个函数中也会将变量的正则化损失加入损失集合
def get_weight_variable(shape, regularizer):
    weights = tf.get_variable("weight", shape,
                              initializer=tf.truncated_normal_initializer(stddev=0.1))

    # 当给出正则化生成函数时，将当前变量的正则化损失加入名字为 losses 的集合
    if regularizer is not None:
        tf.add_to_collection("losses", regularizer(weights))
    return weights


# 辅助函数，给定输入和神经网络参数，计算神经网络的前向传播结果
def inference(input_tensor, regularizer):
    # 声明第一层神经网络的变量并完成前向传播过程
    with tf.variable_scope("layer1"):
        # 这里通过  tf.get_variable 或 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。
        weights = get_weight_variable([INPUT_NODE, LAYER1_NODE],
                                      regularizer)
        biases = tf.get_variable("boases", [LAYER1_NODE],
                                 initializer=tf.constant_initializer(0.0))
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)

    # 申明第二层神经网络的变量并完成前向传播过程
    with tf.variable_scope("layer2"):
        weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE],
                                      regularizer)
        biases = tf.get_variable("biases", [OUTPUT_NODE],
                                 initializer=tf.constant_initializer(0.0))
        layer2 = tf.matmul(layer1, weights) + biases

    # 返回最终的前向传播的结果
    return layer2

上述代码定义了神经网络的前向传播过程。无论是训练还是测试，只需直接调用相应函数完成前向传播，而不用关心具体的神经网络结构。

具体训练代码：

# -*- coding: utf-8 -*-
# @File    : mnist_train.py
import os

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 配置神经网络参数
from MNIST_example import mnist_inference

BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 30000
# 滑动平均衰减率
MOVING_AVERAGE_DECAY = 0.99

# 训练参数保存
MODEL_SAVE_PATH = "MNIST_model/"
MODEL_NAME = "mnist_model.ckpt"


# 模型训练过程
def train(mnist):
    # ============= 定义神经网络的结构 ============
    # 定义输入数据和正确输出数据变量
    x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name="x-input")
    y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name="y-output")

    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)

    # 计算当前参数下的神经网络的前向传播的结果，不需要使用参数的滑动平均
    y = mnist_inference.inference(x, regularizer)

    # 定义存储训练轮数的变量
    global_step = tf.Variable(0, trainable=False)

    # 给定滑动平均衰减率和训练轮数的变量，初始化滑动平均类
    variable_averages = tf.train.ExponentialMovingAverage(
        MOVING_AVERAGE_DECAY, global_step)

    # 在所有代表神经网络参数的变量上使用滑动平均
    variables_averages_op = variable_averages.apply(tf.trainable_variables())

    # ============ 定义损失函数 ===============
    # 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
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
    # 计算在当前 batch 中所有样例的交叉熵平均值
    cross_entropy_mean = tf.reduce_mean(cross_entropy)

    # 总损失等于交叉熵损失和正则化损失之和
    loss = cross_entropy_mean + tf.add_n(tf.get_collection("losses"))

    # ========== 定义训练过程 ==============
    # 设置指数衰减的学习率
    learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,
                                               global_step,  # 当前迭代轮数
                                               # 过完所有的训练数据需要的迭代次数
                                               mnist.train.num_examples / BATCH_SIZE,
                                               LEARNING_RATE_DECAY)

    # 梯度下降优化参数
    train_step = tf.train.GradientDescentOptimizer(learning_rate). \
        minimize(loss, global_step=global_step)

    # 训练过程中同时更新网络参数和每一个参数的平均值
    with tf.control_dependencies([train_step, variables_averages_op]):
        train_op = tf.no_op(name="train")

    # ======== 迭代训练 ===========
    saver = tf.train.Saver()
    with tf.Session() as sess:
        # ====== 模型参数初始化 ========
        tf.global_variables_initializer().run()

        # 迭代训练神经网络
        for i in range(TRAINING_STEPS):
            # ======= 获取一次训练的数据批次 ========
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            # ====== 将数据输入神经网络，并开始一次训练 =========
            _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})

            # 每 1000 轮输出一次在验证数据集上的测试结果
            if i % 1000 == 0:
                print("After %d training step(s), loss on training batch is %g" % (step, loss_value))
                saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)

def main(argv=None):
    # 获取 MNIST 数据集
    mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
    train(mnist)


if __name__ == '__main__':
    tf.app.run()

测试部分的代码：

# -*- coding: utf-8 -*-
# @File    : mnist_eval.py
import time

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

from MNIST_example import mnist_inference, mnist_train

EVAL_INFERENCE_SECS = 10


def evaluate(mnist):
    with tf.Graph().as_default() as g:
        # 定义输入数据和正确输出数据变量
        x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name="x-input")
        y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name="y-output")

        validate_feed = {x: mnist.validation.images,
                         y_: mnist.validation.labels}

        y = mnist_inference.inference(x, None)

        # 计算精度
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        variable_averages = tf.train.ExponentialMovingAverage(
            mnist_train.MOVING_AVERAGE_DECAY)
        variables_to_restore = variable_averages.variables_to_restore()
        saver = tf.train.Saver(variables_to_restore)

        while True:
            with tf.Session() as sess:
                ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
                if ckpt and ckpt.model_checkpoint_path:
                    saver.restore(sess, ckpt.model_checkpoint_path)
                    global_step = ckpt.model_checkpoint_path.split("/")[-1].split("-")[-1]
                    accuracy_score = sess.run(accuracy, feed_dict=validate_feed)
                    print("After %s training step(s), validation accuracy using average model is %g" % (
                        global_step, accuracy_score))
                else:
                    print("No checkpoint file foun")
                    return

            time.sleep(EVAL_INFERENCE_SECS)


def main(argv=None):
    # 获取 MNIST 数据集
    mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
    evaluate(mnist)


if __name__ == '__main__':
    tf.app.run()

猜你喜欢

转载自blog.csdn.net/makingLJ/article/details/88370963
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
周排行
Python环境安装与基础语法（1）——计算机基础知识
IMU预积分
ADAS中的LDW、FCW、BSD、LCA、ACC、AEB、APA、DMS代表的含义
B站笔试两道题
skyeye arm 硬件虚拟机环境的搭建
Web前端静态页面示例
数组-合并排序数组 II-简单
springcloud之版本问题启动报错
面向对象-------------匿名对象(六)
输入URL到页面呈现中间发生了什么？
每日归档
更多
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022