【TensorFlow】机器之心博客_学习笔记_神经网络入门

二、TensorFlow 中的神经网络

2.1 简介

搭建一个网络的流程图

上图所描述的图像识别流程需要包含以下几步：

• 输入数据集，数据集分为训练数据集和标注、测试数据集和标注（包括验证数据集和标注）。测试和验证集能赋值到 tf.constant() 中，而训练集可以导入 tf.placeholder() 中，训练集只有导入占位符我们才能在随机梯度下降中成批量地进行训练。
• 确定神经网络模型，该模型可以是简单的一层全连接网络或 9 层、16 层的复杂卷积网络组成。
• 网络定义的权重矩阵和偏置向量后需要执行初始化，每一层需要一个权重矩阵和一个偏置向量。
• 构建损失函数，并计算训练损失。模型会输出一个预测向量，我们可以比较预测标签和真实标签并使用交叉熵函数和 softmax 回归来确定损失值。训练损失衡量预测值和真实值之间差距，并用于更新权重矩阵。
• 优化器，优化器将使用计算的损失值和反向传播算法更新权重和偏置项参数。

2.2 加载数据

两个常用的小型数据集：

  MNIST 和 CIFAR-10 数据集。其中 MNIST 数据集包含 6 万张手写数字图片，每一张图片的大小都是 28 x 28 x 1（灰度图）。而 CIFAR-10 数据集包含 6 万张彩色（3 通道）图片，每张图片的大小为 32 x 32 x 3，该数据集有 10 种不同的物体（飞机、摩托车、鸟、猫、狗、青蛙、马、羊和卡车）。

首先，让我们定义一些函数，它们能帮助我们加载和预处理图像数据。（好多看不懂的函数都在numpy库）

def randomize(dataset, labels): permutation = np.random.permutation(labels.shape[ 0 ]) shuffled_dataset = dataset[permutation, :, :] shuffled_labels = labels[permutation] return shuffled_dataset, shuffled_labels def one_hot_encode(np_array): return (np.arange( 10 ) == np_array[:, None ]).astype(np.float32) def reformat_data(dataset, labels, image_width, image_height, image_depth): np_dataset_ = np.array([np.array(image_data).reshape(image_width, image_height, image_depth) for image_data in dataset]) np_labels_ = one_hot_encode(np.array(labels, dtype=np.float32)) np_dataset, np_labels = randomize(np_dataset_, np_labels_) return np_dataset, np_labels def flatten_tf_array(array): shape = array.get_shape().as_list() return tf.reshape(array, [shape[ 0 ], shape[ 1 ] * shape[ 2 ] * shape[ 3 ]]) def accuracy(predictions, labels): return ( 100.0 * np.sum(np.argmax(predictions, 1 ) == np.argmax(labels, 1 )) / predictions.shape[ 0 ]) def randomize(dataset, labels): permutation = np.random.permutation(labels.shape[ 0 ]) shuffled_dataset = dataset[permutation, :, :] shuffled_labels = labels[permutation] return shuffled_dataset, shuffled_labels

图像的标签使用 one-hot 编码，并且将数据加载到随机数组中。在定义这些函数后，我们可以加载数据：

我们能从 Yann LeCun 的网站下载 MNIST 数据集，下载并解压后就能使用 python-mnist 工具加载该数据集。

• MNIST 数据集：http://yann.lecun.com/exdb/mnist/
• python-mnist 工具：https://github.com/sorki/python-mnist
• CIFAR-10 数据集：https://www.cs.toronto.edu/~kriz/cifar.html

2.3 创建简单的多层全连接神经网络

下面我们实现的神经网络共有三层，输入层有 784 个神经元，隐藏层与输出层分别有 500 和 10 个神经元。这所以这样设计是因为 MNIST 的像素为 28×28=784，所以每一个输入神经元对应于一个灰度像素点。 该模型在批量大小为 100，并使用学习率衰减的情况下迭代 10000 步能得到 98.34% 的测试集准确度，以下是该模型代码：

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data




#加载MNIST数据集

mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True)



INPUT_NODE = 784    

OUTPUT_NODE = 10    

LAYER1_NODE = 500        


BATCH_SIZE = 100 


       


# 模型相关的参数

LEARNING_RATE_BASE = 0.8      

LEARNING_RATE_DECAY = 0.99    

REGULARAZTION_RATE = 0.0001  

TRAINING_STEPS = 10000        

MOVING_AVERAGE_DECAY = 0.99 




def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):

    # 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:


        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)  



def train(mnist):

    x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')

    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))

    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)

    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)

    variables_averages_op = variable_averages.apply(tf.trainable_variables())

    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(logits=y, labels=tf.argmax(y_, 1))

    cross_entropy_mean = tf.reduce_mean(cross_entropy)


    # 定义交叉熵损失函数加上正则项为模型损失函数

    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)

    regularaztion = regularizer(weights1) + regularizer(weights2)

    loss = cross_entropy_mean + regularaztion


    # 设置指数衰减的学习率。

    learning_rate = tf.train.exponential_decay(

        LEARNING_RATE_BASE,

        global_step,

        mnist.train.num_examples / BATCH_SIZE,

        LEARNING_RATE_DECAY,

        staircase=True)


    # 随机梯度下降优化器优化损失函数

    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')


    # 计算准确度

    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} 


        # 循环地训练神经网络。

        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)))