寒假学习日报（四十二）——Tensorflow实验

　　今天把老师布置的tensorflow实验做了做，由于下载的是2.0版本，不少1.0版本函数调用都需要.compat.v1前缀，还要加入下面这个代码保证运行：

# 保证session.run能够正常运行
tf.compat.v1.disable_eager_execution()

　　七个实验除了最后一个都已完成：

 　　解决的Bug就是本地MNIST数据集的导入问题，导入函数如下所示：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_Data", one_hot=True)

这个是1.0版本的写法，2.0版本开始都使用keras模块了，但keras模块拿到数据后需要手动进行one_hot处理，我不清楚1.0版本中one_hot=True是咋处理的，因此废了一门心思去引入tutorials包。主要处理的BUG是一开始引入MNIST——Data总是报错，最后我把数据集删除后重新下了一个新的，引入成功。。。。

　　最后就是问题代码：

from __future__ import print_function
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os

# 保证session.run能够正常运行
tf.compat.v1.disable_eager_execution()
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
mnist = input_data.read_data_sets("MNIST_Data", one_hot=True)
# 设置训练参数
learning_rate = 0.001
training_step = 10000
batch_size = 128
display_step = 400
# 设置双向循环神经网络参数
num_input = 28
timestep = 28
num_hidden = 128
num_classes = 10
# 构造计算图输入变量
X = tf.compat.v1.placeholder("float32", [None, timestep, num_input])
Y = tf.compat.v1.placeholder("float32", [None, num_classes])
# 设置权重和偏值
weights = {
    'out': tf.Variable(tf.compat.v1.random_normal([2*num_hidden, num_classes]))
}
biases = {
    'out': tf.Variable(tf.compat.v1.random_normal([num_classes]))
}


# 自定义双向循环神经网络函数
def BiRNN(X, weights, biases):
    x = tf.unstack(X, timestep, 1)
    lstm_fw_cell = tf.compat.v1.nn.rnn_cell.BasicLSTMCell(num_hidden, forget_bias=1.0)
    lstm_bw_cell = tf.compat.v1.nn.rnn_cell.BasicLSTMCell(num_hidden, forget_bias=1.0)
    try:
        outputs, _, _ = tf.compat.v1.nn.bidirectional_dynamic_rnn(lstm_fw_cell, lstm_bw_cell, x, dtype=tf.float32)
    except Exception:
        outputs = tf.compat.v1.nn.bidirectional_dynamic_rnn(lstm_fw_cell, lstm_bw_cell, x, dtype=tf.float32)
    return tf.matmul(outputs[-1], weights['out']) + biases['out']


# 获取神经网络输出层logits，使用softmax激活函数将logits映射成各类取值概率，结果赋值给prediction
logits = BiRNN(X, weights, biases)
prediction = tf.nn.softmax(logits)
# 通过交叉熵构建损失函数，并使用梯度下降法求解，将结果赋值给train_op。
loss_op = tf.reduce_mean(tf.compat.v1.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y))
optimizer = tf.compat.v1.train.GradientDescentOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss_op)
# 计算训练模型的准确率
correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
# 初始化全部变量
init = tf.compat.v1.global_variables_initializer()
# Session
with tf.compat.v1.Session() as sess:
    # 训练模型
    for step in range(1, training_step+1):
        batch_x, batch_y = mnist.train.next_batch(batch_size)
        batch_x = batch_x.reshape((batch_size, timestep, num_input))
        sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})
        if step % display_step == 0 or step == 1:
            loss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x, Y: batch_y})
            print("Step"+str(step)+",Minbatch Loss="+"{:.4f}".format(loss)+",Training Accuracy="+"{:.3f}".format(acc))
    print("Optimization Finished!")
    # 设置测试数据长度为128，通过训练模型对测试数据进行预测，打印测试数据的准确率
    test_len = 128
    test_data = mnist.test.images[:test_len].reshape((-1, timestep, num_input))
    test_label = mnist.test.labels["test_len"]
    print("Test Accuracy:", sess.run(accuracy, feed_dict={X: test_data, Y: test_label}))

 主要报ValueError错误，目前还在排查中。。。。