mnist_softmax代码详解
文章是我分析该代码的记录,修改了一点点代码
- 尝试两种初始化权重以及偏置的方式(发觉对模型准确度无提升)
- 使用指数学习率:train.exponential_decay
- 增加了一层for循环,每训练100次打印一下准确度
- 尝试增加一层隐藏层(准确度提升)
继续增加模型复杂度,看一看过拟合的情况。再用Dropout减少过拟合看看结果
首先给出该教程的官网页面与中文翻译之后的页面(建议两者结合起来看)
正文:
- 导入的内容:
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
这里假设你已经下载了数据集,如果没有,应该先执行:
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(“MNIST_data/”, one_hot=True)
下载数据集,下载之后的文件夹为MNIST_data,共4个压缩包 *read_data_sets方法在 tensorflow.contrib.learn.python.learn.datasets.mnist中
我们将标签称为“one-hot vectors”。一个one-hot是一个大多数维 度上为0,一个维度上为1的向量。
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
- x_: 是我们接下来在会话(session)中会feed的图像数据(batch_xs)。设置为浮点型,[None,784]中:
None表示我们可以输入任意数量的Minist的图像;784指的是每一张图展平成784维的向量——28×28 = 784
W是权重矩阵,因为共有10种分类,所以是784x10的矩阵;b是偏置;y是x_与W的矩阵之积, 也就是当前在权重和偏置之下所计算出来的得分(之后会由softmax转化关于10个数字类的概率分布)
y_是之后要feed的标签数据
x_ = tf.placeholder(tf.float32, [None, 784])
# y_与y的关系:y(在softmax_cross_entropy_with_logits方法中会自动用softmax计算)和y_(真实标签)
# 必须具有相同的[batch_size,num_classes]和相同的dtype(float32或float64)。
y_ = tf.placeholder(tf.float32, [None, 10])
- 1.尝试用0初始化(跳过2 3 的代码)
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x_, W) + b
- 2.尝试非0初始化,但是没有起到增加准确度的作用(跳过1 3 的代码)
W = tf.Variable(tf.truncated_normal([784,10],stddev=0.1))
b = tf.Variable(tf.zeros([10])+0.1)
y = tf.matmul(x_, W) + b
- 3.增加一隐藏层,并增加神经元个数(跳过1 2 的代码)
W1 = tf.Variable(tf.truncated_normal([784,1000],stddev=0.1))
b1 = tf.Variable(tf.zeros([1000])+0.1)
L1 = tf.nn.tanh(tf.matmul(x_,W1)+b1)
W2 = tf.Variable(tf.truncated_normal([1000,10],stddev=0.1))
b2 = tf.Variable(tf.zeros([10])+0.1)
y = tf.matmul(L1, W2) + b2
cross_entropy = tf.reduce_mean(
''' 对下面的函数的理解:这个函数的作用就是计算softmax层的交叉熵,只不过tensorflow把
softmax计算与交叉熵计算放到一起了,用一个函数来实现,以前的方法can be numerically unstable
具体的解释看下文末尾:
http://blog.csdn.net/behamcheung/article/details/71911133'''
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
# 设置学习率——1:直接设置
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
# 设置学习率——2:使用指数学习率
global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.5
learning_rate = tf.train.exponential_decay(starter_learning_rate, global_step,
100000, 0.97)
- 优化器Optimizer(大家还可以尝试更多的优化器,比如:
AdadeltaOptimizer比较快,但是相同迭代次数准确度不一定比随机梯度高)
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy,global_step=global_step)
sess = tf.InteractiveSession()
# 初始化W和b
tf.global_variables_initializer().run()
# Train
for times in range(20): # python3.x 中取消了xrange();print也必须加括号:print()
for _ in range(100):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x_: batch_xs, y_: batch_ys})
# Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#这里我将train数据集也带进去了,如果两次的准确率变化情况差距很小很小,说明模型没有出现过拟合以及欠拟合
print("Iter :"+str(times)+"- 训练集准确度为:",sess.run(accuracy, feed_dict={x_: mnist.train.images,y_: mnist.train.labels}))
print("Iter :"+str(times)+"- 测试集准确度为:",sess.run(accuracy, feed_dict={x_: mnist.test.images,y_: mnist.test.labels}))
- 测试模型
# argmax(input, axis=None, name=None, dimension=None)axis:0表示按列,1表示按行。返回最大值的下标
# equal操作返回一个布尔值列表。这里是[True, False, True, True....]的转置
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# tf.cast(x, dtype, name=None):将x转换为dtype,便于计算概率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#这里我将train数据集也带进去了,如果两次的准确率变化情况差距很小,说明模型没有出现过拟合以及欠拟合
print("训练 :"+str(times)+"- 准确度为:",sess.run(accuracy, feed_dict={x_: mnist.train.images,y_: mnist.train.labels}))
print(" 测试 :"+str(times)+"- 准确度为:",sess.run(accuracy, feed_dict={x_: mnist.test.images,y_: mnist.test.labels}))
以上的next_batch、mnist.test.images、mnist.test.images都在下面文件中定义:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/learn/python/learn/datasets/mnist.py
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
以下是我的一些测试结果:
1.
2.