【TensorFlow】MNIST（代码重构+模型持久化）

项目已上传至 GitHub —— best

下载MNIST数据集

---

以下有两种下载方式，如果链接失效可以搜索网上的资源

• 官方下载地址（可能需要梯子）
• 百度网盘下载 密码: 84pb

下载之后将其放在 mnist/data/ 文件夹下，目录结构如下

mnist/
    data/
        train-images-idx3-ubyte.gz
        train-labels-idx1-ubyte.gz
        t10k-images-idx3-ubyte.gz
        t10k-labels-idx1-ubyte.gz

代码重构

---

为了使代码有更好的可读性和扩展性，需要将之按功能分为不同的模块，并将可重用的代码抽象成库函数

所以可以把以前臃肿的 MNIST 代码分成三个模块

• inference
• train
• eval

具体的文件夹目录如下

mnist/
    data/
        ......
    best/
        inference.py
        train.py
        eval.py

完整代码

---

代码实现自《TensorFlow：实战Google深度学习框架》

首先是 inference.py ，这个库函数负责模型训练及测试的前向传播过程

import tensorflow as tf

# 定义神经网络相关参数
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500


# 创建权重变量，并加入正则化损失集合
def get_weight_variable(shape, regularizer):
    weights = tf.get_variable(
        'weights',
        shape,
        initializer=tf.truncated_normal_initializer(stddev=0.1))
    if regularizer != None:
        tf.add_to_collection('losses', regularizer(weights))
    return weights


# 前向传播
def inference(input_tensor, regularizer):
    # 声明隐藏层的变量并进行前向传播
    with tf.variable_scope('layer1'):
        weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
        biases = tf.get_variable(
            'biases', [LAYER1_NODE], initializer=tf.constant_initializer(