TensorFlow学习笔记（三）MNIST数字识别问题 TensorFlow学习笔记（三）MNIST数

一、MNSIT数据处理 MNSIT是一个非常有名的手写体数字识别数据集。包含60000张训练图片，10000张测试图片。每张图片是28X28的数字。
TonserFlow提供了一个类来处理MNSIT数据。这个类会自动下载并转化数据结构。

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist_data = https://www.it610.com/article/input_data.read_data_sets("mnist_set",one_hot=True) # print training data size print("training_data_size",mnist_data.train.num_examples) # print validation data size print("validating_data_size",mnist_data.validation.num_examples) #print testing data size print("testing data size",mnist_data.test.num_examples) print("example train image :",mnist_data.train.images[0]) print("example train label :",mnist_data.train.labels[0])

为了方便使用随机梯度下降，

input_data.read_data_sets还提供train.next_batch函数

batch_size = 100 train_x ,train_y = mnist_data.train.next_batch(batch_size) print("X_shape",train_x.shape) print("Y_shape",train_y.shape)## #X_shape (100, 784) #Y_shape (100, 10)

二、神经网络模型训练及不同模型效果的对比 1.TF训练神经网络
利用上一篇介绍的方法搭建网络。

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("mnist_set",one_hot=True) #数据集相关常数 INPUT_NODE = 784 OUTPU_NODE = 10 #配置神经网络参数 LAYER1_NODE = 500 BATCH_SIZE = 100 LEARNING_RATE_BASE = 0.8 #基础学习率 LEARNING_RATE_DECAY = 0.99#学习衰减率 REGULARIZATION_RATE = 0.0001#正则的惩罚系数 MOVE_AVG_RATE = 0.99 #滑动平均衰减率 TRAIN_STEPS = 30000def inference(input_tensor,weights1,biases1,weight2,biases2,avg_class=None): #当没有提供滑动平均类时，直接使用当前值 if avg_class == None: #计算隐藏层的前向传播结果，使用RELU激活函数 layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1) #返回输出层的前向传播 return tf.matmul(layer1,weight2)+ biases2 else: #前向传播之前，用avg——class计算出变量的滑动平均值 layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights1))+avg_class.average(biases1)) return tf.matmul(layer1,avg_class.average(weight2))+ avg_class.average(biases2) #模型的训练过程 def train(mnist): x = tf.placeholder(tf.float32,[None,INPUT_NODE],name='x-input') y_ = tf.placeholder(tf.float32,[None,OUTPU_NODE],name="y_input")#隐藏层参数 w1 = tf.Variable(tf.random_normal([INPUT_NODE,LAYER1_NODE],stddev=0.1)) b1 = tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE])) #输出层参数 w2 = tf.Variable(tf.random_normal([LAYER1_NODE,OUTPU_NODE],stddev=0.1)) b2 = tf.Variable(tf.constant(0.1,shape=[OUTPU_NODE])) y = inference(x,w1,b1,w2,b2) #定义存储训练轮数的变量，设为不可训练 global_step = tf.Variable(0,trainable=False) #初始化滑动平均类 variable_averages = tf.train.ExponentialMovingAverage(MOVE_AVG_RATE,global_step) #在神经网络的所有参数变量上使用滑动平均 variable_averages_op = variable_averages.apply(tf.trainable_variables()) averages_y = inference(x,w1,b1,w2,b2,avg_class=variable_averages) #计算交叉熵损失 cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1)) #计算交叉熵平均值 cross_entropy_mean = tf.reduce_mean(cross_entropy) #计算L2正则的损失函数 regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) regularization = regularizer(w1)+ regularizer(w2) #总的损失 loss = cross_entropy_mean + regularization#设置指数衰减的学习率 training_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,mnist.train.num_examples/BATCH_SIZE,LEARNING_RATE_DECAY) train_step = tf.train.GradientDescentOptimizer(training_rate).minimize(loss,global_step) #更新滑动平均值 with tf.control_dependencies([train_step,variable_averages_op]): train_op = tf.no_op(name='train')#验证前向传播结果是否正确 correct_prediction = tf.equal(tf.argmax(averages_y,1),tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#初始会话，开始训练 with tf.Session() as sess: tf.global_variables_initializer().run() #准备验证数据和测试数据 validate_feed = {x:mnist.validation.images,y_: mnist.validation.labels} test_feed = {x:mnist.test.images,y_: mnist.test.labels} #迭代训练神经网络 for i in range(TRAIN_STEPS): if i % 1000 == 0: validate_acc = sess.run(accuracy,feed_dict=validate_feed) print("After %s training steps ,validation accuracy is %s"%(i,validate_acc)) xs,ys = mnist.train.next_batch(BATCH_SIZE) sess.run(train_op,feed_dict={x:xs,y_:ys}) #训练结束后，在测试集上验证准确率 test_acc =sess.run(accuracy,test_feed) print("After %s training steps ,test accuracy is %s"%(TRAIN_STEPS,test_acc))def main(argv=None): mnist = input_data.read_data_sets("mnist_set",one_hot=True) train(mnist) if __name__ == '__main__': #TF 提供了一个主程序入口，tf.app.run会自动调用上面的main（） tf.app.run()

2.使用验证数据集判断模型效果
为了评判不同网络在不同参数下的效果，一般从训练数据中抽取一部分作为验证数据，使用验证数据可以评判不同参数下模型的表现。除了使用验证数据，还可以使用交叉验证的方式。
三、变量管理 TensorFlow提供了一个通过变量名称来创建或者获取变量的机制。通过这个机制可以，在不同的函数中可以通过变量的名字来使用变量。通过变量名称来获取变量的函数是
tf.get_variable和tf.variable_scope.
tf.get_variable除了获取变量，还具有与tf.Variable相似的功能。均可用来创建变量。

#下面两个定义是等价的 v = tf.Variable(tf.constant(1.0,shape=[1]),name="v") v = tf.get_variable(name="v",shape=[1],initializer=tf.constant_initializer(1.0))

TF提供了7中不同的初始化函数

文章图片

tf.get_variable和tf.Variable最大的区别在于指定变量名称的参数，tf.Variable的变量名称是可选参数，tf.get_variable的变量名称是必填参数。
如果需要通过tf.get_variable获取一个已经创建的变量，需要通过tf.variable_scope来创建一个上下文管理器，

with tf.variable_scope("foo"): v = tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0)) #如果命名空间foo中已经存在了v，这会报错 #ValueError: Variable foo/v already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?#在声明上下文管理器的时候，直接将reuse设为True，tf。get_variable则会直接获取已经存在的变量，但设为true的时候tf。get_variable不能创建变量 with tf.variable_scope("foo",reuse=True): v1 = tf.get_variable("v",[1])

TensorFlow中tf.variable_scope函数可以嵌套。

with tf.variable_scope("root",reuse=True): print(tf.get_variable_scope().reuse) #True with tf.variable_scope("bar",reuse=False): print(tf.get_variable_scope().reuse) #True 与外层的保持一致 with tf.variable_scope("foo",reuse=False): print(tf.get_variable_scope().reuse) #即使指定了reuse，也会保持与外层一致 print(tf.get_variable_scope().reuse) print(tf.get_variable_scope().reuse)

with tf.variable_scope("root"): print(tf.get_variable_scope().reuse) #false with tf.variable_scope("bar",reuse=True): print(tf.get_variable_scope().reuse)#true with tf.variable_scope("foo"): print(tf.get_variable_scope().reuse) #true print(tf.get_variable_scope().reuse) #true print(tf.get_variable_scope().reuse) #false

利用tf.get_variable和tf.variable_scope来改进我们MNIST的程序

def inference(input_tensor,avg_class=None,reuse = False): #当没有提供滑动平均类时，直接使用当前值 if avg_class == None: #计算隐藏层的前向传播结果，使用RELU激活函数 with tf.variable_scope("layer1",reuse=reuse): weight = tf.get_variable("weight",shape=[INPUT_NODE,LAYER1_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1)) biases = tf.get_variable("biases",shape=[LAYER1_NODE],initializer=tf.constant_initializer(0.0)) layer1 = tf.nn.relu(tf.matmul(input_tensor,weight)+biases) #返回输出层的前向传播 with tf.variable_scope("layer2",reuse=reuse): weight = tf.get_variable("weight",shape=[LAYER1_NODE,OUTPU_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1)) biases = tf.get_variable("biases",shape=[OUTPU_NODE],initializer=tf.constant_initializer(0.0)) layer2 = tf.nn.relu(tf.matmul(layer1,weight)+biases) return layer2 else: #前向传播之前，用avg——class计算出变量的滑动平均值 with tf.variable_scope("layer1",reuse=reuse): weight = tf.get_variable("weight",shape=[INPUT_NODE,LAYER1_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1)) biases = tf.get_variable("biases",shape=[LAYER1_NODE],initializer=tf.constant_initializer(0.0)) layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weight))+avg_class.average(biases)) #返回输出层的前向传播 with tf.variable_scope("layer2",reuse=reuse): weight = tf.get_variable("weight",shape=[LAYER1_NODE,OUTPU_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1)) biases = tf.get_variable("biases",shape=[OUTPU_NODE],initializer=tf.constant_initializer(0.0)) layer2 = tf.nn.relu(tf.matmul(layer1,avg_class.average(weight))+avg_class.average(biases)) return layer2

四、模型的持久化之前给出的样例代码在训练完成之后就直接退出，并没有将训练得到的模型保存下来。TF提供了模型的持久化，还可以从持久化的模型文件中还原被保存的模型。
1、模型持久化的代码实现
TensorFlow提供了一个简单的API（tf.train.Saver）来保存模型。

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1")) v2 = tf.Variable(tf.constant(2.0,shape=[1],name="v2")) result = v1 + v2 init_op = tf.global_variables_initializer() #声明tf.train.Saver类用于保存模型 saver = tf.train.Saver()with tf.Session() as sess: sess.run(init_op) #将模型保存到model。ckpt文件中 saver.save(sess,"Model/model.ckpt")

加载保存的模型

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1")) v2 = tf.Variable(tf.constant(2.0,shape=[1],name="v2")) result = v1 + v2 # init_op = tf.global_variables_initializer() #声明tf.train.Saver类用于保存模型 saver = tf.train.Saver()with tf.Session() as sess: # sess.run(init_op) #将模型保存到model。ckpt文件中 saver.restore(sess,"Model/model.ckpt") print(sess.run(result))

这里加载模型的代码和保存模型的代码基本一致，也需要先定义计算图模型的运算只是没有运行变量初始化。如果不希望重复定义图上的运算，也可以直接加载已经持久化的图。TensorFlow提供了这样的方法tf.train.import_meta_graph

#直接加载持久化计算图 saver = tf.train.import_meta_graph("Model/model.ckpt.meta")with tf.Session() as sess:saver.restore(sess,"Model/model.ckpt") #通过张量的名称来获取张量 print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0")))

上面的程序，默认保存或加载了TF计算图中的全部变量。但有时只需要保存或加载部分变量。在声明tf.train.Saver类时可以提供一个列表来制定需要保存或加载的变量。例如
tf.train.Saver([v1]).
除了选择需要加载的变量，tf.train.Saver还支持在保存或加载时给变量重命名。

#保存模型v1 = tf.Variable(tf.constant(1.0,shape=[1],name="outer_v1")) v2 = tf.Variable(tf.constant(2.0,shape=[1],name="outer_v2")) result = v1 + v2 init_op = tf.global_variables_initializer() #声明tf.train.Saver类用于保存模型 saver = tf.train.Saver([v1,v2]) with tf.Session() as sess: sess.run(init_op) saver.save(sess,"Model/model.ckpt")#加载模型 v1 = tf.Variable(tf.constant(1.0,shape=[1],name="outer_v1")) v2 = tf.Variable(tf.constant(2.0,shape=[1],name="outer_v2")) saver = tf.train.Saver({"v1":v1,"v2":v2})

【TensorFlow学习笔记（三）MNIST数字识别问题】转载于:https://www.cnblogs.com/zuoshoushizi/p/9170751.html