在学习《TensorFlow实战Google深度学习框架》这本书的时候,发现书上提供的代码有一些错误。原因是自己的TensorFlow的版本比较高,相对于书上的版本,一些API都变了,所以有些函数在书中的程序中是错误的,所以程序在运行的时候就会报错。
比如:第五章中完整的训练MNIST数据的神经网络模型的程序代码中,直接运行程序的话会遇到以下的错误。
首先:ValueError: Only call `sparse_softmax_cross_entropy_with_logits` with named arguments (labels=..., logits=..., ...)
解决:这个原因就是因为这个函数的API发生变化了,要加labels 和logits
于是将代码改了:
把下面的这行代码
# 计算交叉熵及其平均值 cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(y,tf.argmax(y_, 1))
改成了
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y,logits=tf.argmax(y_, 1))
然后继续运行.....
然后又出现新的错误,如下
2.ValueError: Rank mismatch: Rank of labels (received 2) should equal rank of logits minus 1 (received 1).
出现这个错误。
这个错的原因在于,计算交叉熵的时候,比较的两个概率分布放反了。
都知道交叉熵是衡量一个概率分布去表达另一个概率分布的难度,值越低越好。所以是用预测的结果去表达正确的标签。
也就是说上述代码中labels=tf.argmax(y_, 1),logits=y。这样改正之后,问题就解决了。实验结果也跑出来了。
实验结果如下图。
完成程序代码如下:
#coding=utf-8
__author__ = 'zhangxiaozi'
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
INPUT_NODE = 784 # 输入层节点数
OUTPUT_NODE = 10 # 输出层节点数
'''配置神经网络的参数'''
LAYER1_NODE = 500 # 隐藏层神经元个数
BATCH_SIZE = 100 # 每次batch打包的样本个数
# 模型相关的参数
LEARNING_RATE_BASE = 0.8 #基础学习率
LEARNING_RATE_DECAY = 0.99 #学习率的衰减率
REGULARAZTION_RATE = 0.0001 #描述模型复杂度的正则化项在损失函数中的系数
TRAINING_STEPS = 5000 #训练轮数
MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率
'''定义一个接口函数,用于计算神经网络的前向结果,
其中参数avg_classs是用于计算参数平均值的类
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):
'''
:param input_tensor: 输入
:param avg_class: 用于计算参数平均值的类
:param weights1: 第一层权重
:param biases1: 第一层偏置
:param weights2: 第二层权重
:param biases2: 第二层偏置
:return: 返回神经网络的前向结果
'''
# 不使用滑动平均类
if avg_class == None:
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
return tf.matmul(layer1, weights2) + biases2
else:
# 使用滑动平均类计算参数的滑动平均值
layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))
return tf.matmul(layer1, avg_class.average(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') #维度可以自动算出,也就是样本数
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)) #一种正态的随机数
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]))
# 计算不含滑动平均类的前向传播结果
y = inference(x, None, weights1, biases1, weights2, biases2)
# 定义训练轮数及相关的滑动平均类
global_step = tf.Variable(0, trainable=False) #一般训练轮数的变量指定为不可训练的参数
#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的参数的变量上使用滑动平均,其他辅助变量就不需要了
variables_averages_op = variable_averages.apply(tf.trainable_variables())
#计算使用滑动平均的前向结果
average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)
# 计算交叉熵及其平均值
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_, 1), logits=y)#labels=tf.argmax(y_, 1), logits=y
#这里tf.argmax(y_,1)表示在“行”这个维度上张量最大元素的索引号
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# 损失函数的计算
regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE) #正则化损失函数
regularaztion = regularizer(weights1) + regularizer(weights2) #模型的正则化损失
loss = cross_entropy_mean + regularaztion #总损失函数=交叉熵损失和正则化损失的和
# 设置指数衰减的学习率。
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE, #基础学习率
global_step, #迭代轮数
mnist.train.num_examples / BATCH_SIZE, #过完所有训练数据需要的迭代次数
LEARNING_RATE_DECAY, #学习率衰减速率
staircase=True)
# 优化损失函数,用梯度下降法来优化
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
# 反向传播更新参数和更新每一个参数的滑动平均值
with tf.control_dependencies([train_step, variables_averages_op]):
train_op = tf.no_op(name='train')
# 计算正确率
correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
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.global_variables_initializer().run()
validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
test_feed = {x: mnist.test.images, y_: mnist.test.labels}
# 循环的训练神经网络。
for i in range(TRAINING_STEPS):
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))
xs, ys = mnist.train.next_batch(BATCH_SIZE)
sess.run(train_op, feed_dict={x: xs, y_: ys})
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):
mnist = input_data.read_data_sets("../../datasets/MNIST_data", one_hot=True)
train(mnist)
if __name__ == '__main__':
print('x')
main()
print('x')