''' Created on 2017年4月20日 @author: weizhen ''' #手写识别 from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("/path/to/MNIST_data/",one_hot=True) batch_size=100 xs,ys = mnist.train.next_batch(batch_size) #从train的集合中选取batch_size个训练数据 print("X shape:",xs.shape) print("Y shape:",ys.shape) import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #MNIST数据集相关的常数 INPUT_NODE=784 #输入层的节点数。对于MNIST数据集，这个就等于图片的像素 OUTPUT_NODE=10 #输出层的节点数。这个等于类别的数目。因为MNIST数据集中需要区分的是0-9这10个数字，所以这里输出层的节点数为10 #配置神经网络的参数 LAYER1_NODE=500 #隐藏层节点数。这里使用只有一个隐藏层的网络结构作为样例 #这个隐藏层有500个节点 BATCH_SIZE=100 #一个训练batch中的训练数据个数。数字越小时，训练过程越接近，随机梯度下降；数字越大时，训练越接近梯度下降 LEARNING_RATE_BASE = 0.8 #基础的学习率 LEARNING_RATE_DECAY = 0.99 #学习率的衰减率 REGULARIZATION_RATE = 0.0001 #描述模型复杂度的正则化在损失函数中的系数 TRAINING_STEPS=30000 #训练轮数 MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率 #一个辅助函数，给定神经网络的输入和所有参数，计算神经网络的前向传播结果。 #在这里定义了一个使用ReLU激活函数的三层全连接神经网络。通过加入隐藏层实现了多层网络结构 #通过ReLU激活函数实现了去线性化。在这个函数中也支持传入用于计算参数的平均值的类 #这样方便在测试时使用滑动平均模型 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==None: #计算隐藏层的前向传播结果，这里使用了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。因为在计算损失函数时会一并计算softmax函数 #所以这里不需要加入激活函数。而且不加入softmax不会影响预测结果。因为预测时 #使用的是不同类别对应节点输出值的相对大小，有没有softmax层对最后分类结果的计算没有影响。 return tf.matmul(layer1,weights2)+biases2 else: #首先使用avg_class.average函数来计算得出变量的滑动平均值， #然后再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) #训练模型的过程 def train(mnist): x = tf.placeholder(tf.float32,[None,INPUT_NODE],name='x-input') y_= tf.placeholder(tf.float32,[None,OUTPUT_NODE],name='y-input') #生成隐藏层的参数 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])) #计算在当前参数下神经网络前向传播的结果。这里给出的用于计算滑动平均的类为None #所以函数不会使用参数的滑动平均值 y=inference(x, None, weights1, biases1, weights2, biases2) #定义存储训练轮数的变量。这个变量不需要计算滑动平均值，所以这里指定这个变量为不可训练的变量(trainable=False) .在使用Tensorflow训练神经网络时 #一般会将代表训练轮数的变量指定为不可训练的参数。 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 #给定训练轮数的变量可以加快训练早期变量的更新速度 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。其他辅助变量(比如g lobal_step)就不需要了 #tf.variables返回的就是图上集合 #GraphKeys.TRAINABLE_VARIABLES中的元素。这个集合的元素就是所有没有指定你trainable=False的参数 variable_averages_op=variable_averages.apply(tf.trainable_variables()) #计算使用了滑动平均之后的前向传播结果。 #需要明确调用average函数 average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2) #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。这里使用了TensorFlow中提供的sparse_softmax_cross_entropy_with_logits函数来计算交叉熵 #当分类问题只有一个正确答案时，可以使用这个函数来加速交叉熵的计算。 #MNIST问题的图片中只包含了0-9中的一个数字，所以可以使用这个函数来计算交叉熵损失 #这个函数的第一个参数是神经网络不包括softmax层的前向传播结果，第二个是训练数据的正确答案。 #因为标准答案是一个长度为10的一维数组，而该函数需要提供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 cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1)) #计算在当前batch中所有样类的交叉熵平均值 cross_entropy_mean=tf.reduce_mean(cross_entropy) #计算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。一般只计算神经网络边上权重的正则化损失，而不使用偏置项 regularization = regularizer(weights1)+regularizer(weights2) #总损失等于交叉熵损失和正则化损失的和 loss=cross_entropy_mean+regularization #设置指数衰减的学习率 learning_rate = tf.train.exponential_decay( 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 global_step, #当前迭代的轮数 mnist.train._num_examples/BATCH_SIZE, #过完所有的训练数据需要的迭代次数 LEARNING_RATE_DECAY) #学习率衰减速度 #使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。这里损失函数包含了 #交叉熵损失和L2正则化损失 train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step) #在训练神经网络模型时，每过一遍数据既需要通过反向传播来更新神经网络中的参数 #又要更新每一个参数的滑动平均值。为了一次完成多个操作，Tensorflow提供了 #tf.control_dependencies和tf.group两种机制下面两行程序和 #train_op=tf.group(train_step,variables_averages_op)是等价的 with tf.control_dependencies([train_step,variable_averages_op]): train_op=tf.no_op(name='train') #检验使用了滑动平均模型的神经网络前向传播结果是否正确。tf.argmax(average_y,1) #计算每一个样例的预测答案。其中average_y是一个batch_size*10的二维数组， #每一行表示一个样例的前向传播结果。tf.argmax的第二个参数"1"表示选取最大的操作仅在第一个维度 #中进行，也就是说，只在每一行选取最大值对应的下标。于是得到的结果是一个长度为 #batch的一维数组，这个一维数组中的值就表示了每一个样例对应的数字识别结果。 #tf.equal判断两个张量的每一维是否相等，如果相等返回True,否则返回False correct_prediction = tf.equal(tf.arg_max(average_y,1), tf.arg_max(y_,1)) #这个运算首先将一个布尔型的数值转换为实数型，然后计算平均值。这个平均值就是模型在 #这一组数据上的正确率 accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #初始化会话并开始训练过程 with tf.Session() as sess: tf.initialize_all_variables().run() #准备验证数据。一般在神经网络的训练过程中会通过验证数据来大致判断停止的 #条件和评判训练的效果 validate_feed={x:mnist.validation.images,y_:mnist.validation.labels} #准备测试数据。在真实的应用中，这部分数据在训练时是不可见的，这个数据只是作为 #模型优劣的最后评判标准 test_feed = {x:mnist.test.images,y_:mnist.test.labels} #迭代地训练神经网络 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: #计算滑动平均模型在验证数据上的结果。因为MNIST数据集比较小，所以一次 #可以处理所有的验证数据。为了计算方便，本样例程序没有将验证数据划分为更小的batch #当神经网络模型比较复杂或者验证数据比较大时，太大的batch #会导致计算时间过长甚至发生内存溢出的错误 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)) #产生这一轮使用的一个batch的训练数据，并运行训练过程 xs,ys=mnist.train.next_batch(BATCH_SIZE) sess.run(train_op,feed_dict={x:xs,y_:ys}) #在训练结束之后，在测试数据上检测神经网络模型的最终正确率 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)) #主程序入口 def main(argv=None): #声明处理MNIST数据集的类，这个类在初始化时会自动下载数据 mnist=input_data.read_data_sets("/tmp/data",one_hot=True) train(mnist) main()
训练的结果如下所示
Extracting /path/to/MNIST_data/train-images-idx3-ubyte.gz Extracting /path/to/MNIST_data/train-labels-idx1-ubyte.gz Extracting /path/to/MNIST_data/t10k-images-idx3-ubyte.gz Extracting /path/to/MNIST_data/t10k-labels-idx1-ubyte.gz X shape: (100, 784) Y shape: (100, 10) Extracting /tmp/data rain-images-idx3-ubyte.gz Extracting /tmp/data rain-labels-idx1-ubyte.gz Extracting /tmp/data 10k-images-idx3-ubyte.gz Extracting /tmp/data 10k-labels-idx1-ubyte.gz E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "BestSplits" device_type: "CPU"') for unknown op: BestSplits E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "CountExtremelyRandomStats" device_type: "CPU"') for unknown op: CountExtremelyRandomStats E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "FinishedNodes" device_type: "CPU"') for unknown op: FinishedNodes E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "GrowTree" device_type: "CPU"') for unknown op: GrowTree E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "ReinterpretStringToFloat" device_type: "CPU"') for unknown op: ReinterpretStringToFloat E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "SampleInputs" device_type: "CPU"') for unknown op: SampleInputs E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "ScatterAddNdim" device_type: "CPU"') for unknown op: ScatterAddNdim E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "TopNInsert" device_type: "CPU"') for unknown op: TopNInsert E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "TopNRemove" device_type: "CPU"') for unknown op: TopNRemove E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "TreePredictions" device_type: "CPU"') for unknown op: TreePredictions E c: f_jenkinshomeworkspace elease-windevicecpuoswindows ensorflowcoreframeworkop_kernel.cc:943] OpKernel ('op: "UpdateFertileSlots" device_type: "CPU"') for unknown op: UpdateFertileSlots WARNING:tensorflow:From C:UsersweizhenworkspaceTextUtilMNIST.py:134: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use `tf.global_variables_initializer` instead. After 0 training step(s), validation accuracy using average model is 0.0868 After 1000 training step(s), validation accuracy using average model is 0.977 After 2000 training step(s), validation accuracy using average model is 0.981 After 3000 training step(s), validation accuracy using average model is 0.9818 After 4000 training step(s), validation accuracy using average model is 0.9828 After 5000 training step(s), validation accuracy using average model is 0.9836 After 6000 training step(s), validation accuracy using average model is 0.984 After 7000 training step(s), validation accuracy using average model is 0.983 After 8000 training step(s), validation accuracy using average model is 0.9838 After 9000 training step(s), validation accuracy using average model is 0.9842 After 10000 training step(s), validation accuracy using average model is 0.984 After 11000 training step(s), validation accuracy using average model is 0.9838 After 12000 training step(s), validation accuracy using average model is 0.983 After 13000 training step(s), validation accuracy using average model is 0.9844 After 14000 training step(s), validation accuracy using average model is 0.9846 After 15000 training step(s), validation accuracy using average model is 0.9846 After 16000 training step(s), validation accuracy using average model is 0.9846 After 17000 training step(s), validation accuracy using average model is 0.985 After 18000 training step(s), validation accuracy using average model is 0.9852 After 19000 training step(s), validation accuracy using average model is 0.9852 After 20000 training step(s), validation accuracy using average model is 0.9856 After 21000 training step(s), validation accuracy using average model is 0.9846 After 22000 training step(s), validation accuracy using average model is 0.9852 After 23000 training step(s), validation accuracy using average model is 0.9858 After 24000 training step(s), validation accuracy using average model is 0.986 After 25000 training step(s), validation accuracy using average model is 0.9862 After 26000 training step(s), validation accuracy using average model is 0.9862 After 27000 training step(s), validation accuracy using average model is 0.986 After 28000 training step(s), validation accuracy using average model is 0.9864 After 29000 training step(s), validation accuracy using average model is 0.9862 After 30000 training step(s), test accuracy using average model is 0.9855