全连接网络基础1——MNIST数据集 _全连接

最是人间留不住，朱颜辞镜花辞树。这篇文章主要讲述全连接网络基础1——MNIST数据集相关的知识，希望能为你提供帮助。
√mnist数据集：包含 7 7万张黑底白字手写数字图片，其中 0 55000张为训练集，
5000张为验证集，10 0000张为测试集。每张图片大小为 28*28像素，图片中纯黑
色像素值为0 ，纯白色像素值为1 。数据集的标签是长度为 10的一维数组，数组
中每个元素索引号表示对应数字出现的概率。
在将 mnist 数据集作为输入喂入神经网络时，需先将数据集中每张图片变为长度
784 一维数组，将该数组作为神经网络输入特征喂入神经网络。
例如：
一张数字手写体图片变成长度为 784 的一维数组[0.0.0.0.0.231 0.235 0.459
……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0.
0.0]，标签中索引号为 6 的元素为 1，表示是数字 6 出现的概率为 100%，则该图
片对应的识别结果是 6。
√ 使用 input_data模块中的 read_data_sets( () )函数加载 mnist 数据集：

from tensorflo w.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets( ’ ./data/’,one_hot=True)

在 read_data_sets()函数中有两个参数，第一个参数表示数据集存放路径，第
二个参数表示数据集的存取形式。当第二个参数为 Ture 时，表示以独热码形式
存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据
集，若指定路径中没有数据集，则自动下载，并将 mnist数据集分为训练集 train、
验证集 validation 和测试集 test 存放。在终端显示如下内容：

Extracting ./data/train-images-idx3-ubyte.gz Extracting ./data/train-labels-idx1-ubyte.gz Extracting ./data/tl0k-images-idx3-ubyte.gz Extracting ./data/ tl0k-labels-idx1-ubyte.gz

√ 返回 mnist数据集中训练集train 、验证集 n validation和测试集 test样本数
在 Tensorflow 中用以下函数返回子集样本数：
① 返回训练集 train样本数

print “train data size:”,mnist.train.mun_examples

输出结果：

train data size:55000

②返回验证集validation样本数

print “ va lidation d atasize:”,mnist. validation .mun_examples

输出结果：validation data size:5000
③返回测试集 test样本数

print “test data size:”,mnist.test.mun_examples

输出结果：test data size:10000
√ 使用 train.labels 函数返回mnist 数据集标签
例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片的标签，则使用如下函数

mnist.train.labels[0]

输出结果：

array([0.,0.,0.,0.,0.,0.,1.,0.,0.,0])

√ 使用 train.images 函数返回mnist数据集图片像素值
例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片像素值，则使用如下函数

mnist.train.images[0]

输出结果：

array([0. ,0. ,0. , 0. ,0. ,0. , 0. ,0. ,0. , … … …])

√ 使用mnist.train.next_batch( () ) 函数将数据输入神经网络
例如：

BATCH_SIZE = 200 xs,ys = mnist.train.next_batch(BATCH_SIZE) print “xs shape:”,xs.shape print “ys shape:”,ys.shape

输出结果：xs.shape(200,784) 输出结果：ys.shape(200,10)

其中，mnist.train.next_batch()函数包含一个参数 BATCH_SIZE，表示随机从训
练集中抽取 BATCH_SIZE 个样本输入神经网络，并将样本的像素值和标签分别赋
给 xs 和 ys。在本例中，BATCH_SIZE 设置为 200，表示一次将 200 个样本的像素
值和标签分别赋值给 xs 和 ys，故 xs 的形状为(200,784)，对应的 ys 的形状为
(200,10)。
实现“ Mnist数据集手写数字识别 ”的常用函数：
① tf. . get_collection(“”)函数表示从从 collection集合中取出全部变量生成
一个列表。
② tf. . add( ) )函数表示将参数列表中对应元素相加。
例如：

x=tf.constant([[1,2],[1,2]]) y=tf.constant([[1,1],[1,2]]) z=tf.add(x,y) print z

输出结果：

[[2,3],[2,4]]

③ tf. . cast(x,dtype)
函数表示将参数x转换为指定数据类型。
例如：

A = tf.convert_to_tensor(np.array([[1,1,2,4], [3,4,8,5]])) print A.dtype b = tf.cast(A, tf.float32) print b.dtype

结果输出：

< dtype: int64> < dtype: float32>

从输出结果看出，将矩阵 A 由整数型变为 32 位浮点型
④ tf.equal( ) ) 函数表示对比两个矩阵或者向量的元素。若对应元素相等，则返
回回True ；若对应元素不相等，则返回False 。
例如：

A = [[1,3,4,5,6]] B = [[1,3,4,3,2]] with tf.Session( ) as sess: print(sess.run(tf.equal(A, B)))

输出结果：

[[ True True True False False]]

在矩阵 A 和 B 中，第 1、2、3 个元素相等，第 4、5 个元素不等，故输出结果中，
第 1、2、3 个元素取值为 True，第 4、5 个元素取值为 False。
⑤ tf.reduce_mean( x,axis) ) 函数表示求取矩阵或张量指定维度的平均值。若不
指定第二个参数，则在所有元素中取平均值；若指定第二个参数为 0 0 ，则在第一
维元素上取平均值，即每一列求平均值；若指定第二个参数为 1 1 ，则在第二维元
素上取平均值，即每一行求平均值。
例如：

x = [[1., 1.] [2., 2.]] print(tf.reduce_mean(x)) 输出结果：1.5 print(tf.reduce_mean(x, 0)) 输出结果：[1.5, 1.5] print(tf.reduce_mean(x, 1)) 输出结果：[1., 1.]

⑥ tf. . argmax(x,axis)函数表示返回指定维度 asxis下，参数x中最大值索引号。
例如：
在 tf.argmax([1,0,0],1)函数中，axis 为 1，参数 x 为[1,0,0]，表示在参数 x
的第一个维度取最大值对应的索引号，故返回 0。
⑦ os.path.join () 函数表示把参数字符串按照路径命名规则拼接。
例如：

import os os.path.join(/hello/,good/boy/,doiido)

输出结果：/hello/good/boy/doiido
⑧ 字符串. . split( ) ) 函数表示定按照指定 “ 拆分符 ” 对字符串拆分，，返回拆分列表。
例如：

./model/mnist_model-1001.split(/)[-1].split(-)[-1]

在该例子中，共进行两次拆分。第一个拆分符为‘/’，返回拆分列表，并提取
列表中索引为-1 的元素即倒数第一个元素；第二个拆分符为‘-’，返回拆分列
表，并提取列表中索引为-1 的元素即倒数第一个元素，故函数返回值为 1001。
⑨ tf.Graph( ).as_default( ) ) 函数表示将当前图设置成为默认图，并返回一
个上下文管理器。该函数一般与 w wh ith关键字搭配使用，应用于将已经定义好
的神经网络在计算图中复现。
例如：
with tf.Graph().as_default() as g，表示将在 Graph()内定义的节点加入到
计算图 g 中。
√ 神经网络模型的保存
在反向传播过程中，一般会间隔一定轮数保存一次神经网络模型，并产生三个
文件（保存当前图结构的.meta文件、保存当前参数名的.index文件、保存当
前参数的.data 文件），在 T ensorflow中如下表示：

saver = tf.train.Saver() with tf.Session() as sess: for i in range(STEPS): if i %轮数 == 0: saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)

其中，tf.train.Saver()用来实例化 saver 对象。上述代码表示，神经网络每循
环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在
存放网络模型的文件夹名称中注明保存模型时的训练轮数。
√ 神经网络模型的加载
在测试网络效果时，需要将训练好的神经网络模型加载，在 Tensorflow中这
样表示：

with tf.Session() as sess: ckpt = tf.train.get_checkpoint_state( 存储路径) ) if ckpt and ckpt.model_checkpoint_path: saver.restore(sess, ckpt.model_checkpoint_path)

在 with 结构中进行加载保存的神经网络模型，若 ckpt 和保存的模型在指定路
径中存在，则将保存的神经网络模型加载到当前会话中。
√ 加载模型中参数的滑动平均值
在保存模型时，若模型中采用滑动平均，则参数的滑动平均值会保存在相应文件
中。通过实例化saver r对象，实现参数滑动平均值的加载，在 T Tw ensorflow中如
下表示：

ema = tf.train.ExponentialMovingAverage( ( 滑动平均基数) ) ema_restore = ema.variables_to_restore() saver = tf.train.Saver(ema_restore)

√ 神经网络模型准确率评估方法
在网络评估时，一般通过计算在一组数据上的识别准确率，评估神经网络的效
果。在 Tensorflow中这样表示：

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

【全连接网络基础1——MNIST数据集】在上述中，y 表示在一组数据（即 batch_size 个数据）上神经网络模型的预测
结果，y 的形状为[batch_size,10]，每一行表示一张图片的识别结果。通过
tf.argmax()函数取出每张图片对应向量中最大值元素对应的索引值，组成长度
为输入数据 batch_size 个的一维数组。通过 tf.equal()函数判断预测结果张量
和实际标签张量的每个维度是否相等，若相等则返回 True，不相等则返回 False。
通过 tf.cast() 函数将得到的布尔型数值转化为实数型，再通过
tf.reduce_mean()函数求平均值，最终得到神经网络模型在本组数据上的准确率。