Tensorflow学习(7)-通过MNIST数字识别问题学习（1）

MNIST数据处理

TensorFlow提供了一个类来处理MNIST数据，可以下载并自动转换格式。

下面给出样例程序

from tensorflow.examples.tutorials.mnist import  input_data

# 载入MNIST数据集
mnist = input_data.read_data_sets("path/",one_hot=True)

print("training data size:",mnist.train.num_examples)
print("validation data size:",mnist.validation.num_examples)
print("test data size:",mnist.test.num_examples)
print("example train data :",mnist.train.images[0])
print("example

input_data.read_data_sets()函数生成的类还提供了train.next_batch函数

以下代码展示这个功能

from tensorflow.examples.tutorials.mnist import input_data

# 载入MNIST数据集
mnist = input_data.read_data_sets("path/", one_hot=True)

batch_size = 100
xs, ys = mnist.train.next_batch(batch_size)
print("X shape", xs.shape)
# 输出X shape (100, 784)
print("Y shape", ys.shape)
# 输出Y shape (100, 10)

神经网络模型训练及使用滑动平均模型效果对比（影响不大。。）

主要是学习怎么实现这些优化吧。。

补充：从后面的学习认识到，这些优化方法（指数衰减的学习率、加入正则化的损失函数、滑动平均模型）不是影响不大，只是处理的这个问题过于简单，并没有发挥他们的作用。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# MNIST数据集相关的参数
INPUT_NODE = 784  # 输出层的节点数。也就是图片的像素
OUTPUT_NODE = 10  # 输出节点数，相当于类别

# 配置神经网络的参数
LAYER1_NODE = 500  # 隐藏层节点数。这里使用一个500个节点的隐藏层

LEARNING_RATE_BASE = 0.8  # 基础的学习率
LEARNING_RATE_DECAY = 0.99  # 学习率的衰减率
REGULARIZATION_RATE = 0.0001  # 描述模型复杂度的正则化项在损失函数中的占比系数

MOVING_AVERAGE_DECAY = 0.999  # 滑动平均衰减率

BATCH_SIZE = 100  # 数字越小越接近随机梯度下降，越大越接近梯度下降
TRAINING_STEPS = 30000  # 训练轮数


# 定义一个辅助函数，给定神经网络的输入和所有参数，计算神经网络的前向传播结果。
# 这个函数也支持传入用于计算滑动平均值的类，方便在测试时使用滑动平均值
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2): # inference有推断，推理的意思
    # 当没有提供滑动平均类时，直接使用参数当前的取值
    if avg_class is None:
        # 计算隐藏层的前向传播结果，使用ReLU激活函数
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)

        # 因为在计算损失函数时会一并计算softmax函数，所以这里不需要加入激活函数
        return tf.matmul(layer1, weights2) + biases2
    # 当提供滑动平均类时
    else:
        # 使用avg_class.average来取变量的滑动平均值，用它来计算相应神经网络前向传播的结果
        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')
    y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
    # 生成隐藏层的参数
    # (1)tf.truncated_normal() 会在博客下方列出解释
    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]))

    # 使用自定义的函数inference()计算当前参数下神经网络前向传播的结果
    # 这里不计算滑动平均值
    y = inference(x, None, weights1, biases1, weights2, biases2)

    # 定义存储训练轮数的变量。这个变量不需要计算滑动平均值，
    # 所以这里指定这个变量为不可训练的变量(trainable = Fasle)。
    global_step = tf.Variable(0, trainable=False)

    # 给定滑动平均衰减率和训练轮数的变量
    # 这里给定训练轮数的变量就是我们在<Tensorflow学习(6)-神经网络进一步优化（滑动平均模型）>中提到的：
    # ExponentialMovingAverage还提供了num_updates参数来动态设置decay大小，避免模型前期训练的太慢
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, num_updates=global_step)

    # 在所有代表神经网络参数的变量上使用滑动平均。tf.trainable_variables返回的就是
    # 图上集合GraphKeys.TRAINABLE_VARIABLESZ中的元素。这个集合的元素就是所有没有指定trainable=False的参数。
    variable_averages_op = variable_averages.apply(tf.trainable_variables())

    # 计算使用了滑动平均之后的前向传播结果
    # 可以在inference函数中注意到，需要使用滑动平均值时，需要明确调用average函数。
    # 因为滑动平均不会改变变量本身的取值，而是会维护一个影子变量来记录其滑动平均值，
    # 当需要使用这个滑动平均值时，需要明确指明调用average函数
    average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)

    # 分类问题，计算交叉熵作为刻画预测和真是指之间差距的损失函数。这里使用TensorFlow中提供的
    # sparse_softmax_cross_entropy_with_logits函数来计算交叉熵。当分类只有一个正确答案时
    # 可以使用这个函数来计算交叉熵损失。
    # 这个函数的第一个参数是神经网络不包括softmax层的前向传播结果，第二个是训练数据的正确答案。
    # 因为标准答案是一个长度为10的一位数组，而该函数需要的是提供一个正确答案的数字，所以要使用tf.argmax
    # 函数来得到正确答案对应的编号
    # (2)tf.argmax()会在下面给出解释，编号为2
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
    # 计算在当前batch中所有样例的交叉熵平均值
    # (3)tf.redunce_mean
    cross_entropy_mean = tf.reduce_mean(cross_entropy)

    # 计算L2正则化损失函数。
    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    # 计算模型的正则化损失。一般只计算权重的正则化损失，不计算偏置项
    regularization = regularizer(weights1) + regularizer(weights2)
    loss = cross_entropy_mean + regularization

    # 设置指数衰减的学习率。
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,
        global_step,  # 当前的轮数
        mnist.train.num_examples / BATCH_SIZE,  # 过完所有训练集需要的轮数
        # 如在加上参数staircase=True，上面两个数就保证了
        # 学习率没经过一次所有的训练数据就就乘以一次衰减率
        LEARNING_RATE_DECAY)

    # 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数
    train_step = tf.train.GradientDescentOptimizer(learning_rate). \
        minimize(loss, global_step=global_step)

    # 在训练神经网络模型时，每过一遍数据需要通过反向传播来更新网络中的参数
    # 又要更新每一个参数的滑动平均值。为了一次完成多个操作，TensorFlow提供了
    # tf.group和tf.control_dependencies两种机制。
    # 这样写与下面一行代码是等价的
    # with tf.control_dependencies([train_step,variable_averages_op]):
    #     train_op = tf.no_op(name='train')
    # （感觉tf.group这种挺好记的，记录上面这种就为了以后看代码的时候防止看不懂吧）
    train_op = tf.group(train_step, variable_averages_op)

    # 检验正确率。现在这些代码看的明白，就不解释了。但是可能下次看就不明白了。。
    # 不明白就看书吧，书上有
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    correct_prediction_ = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy_ = tf.reduce_mean(tf.cast(correct_prediction_, tf.float32))

    # 终于可以开始训练了
    # 由于数据集比较小，所以没有划分为更小的batch。
    # 关于如何使用batch可以参考之前的博客
    with tf.Session() as sess:
        # ？？？ 咋直接run()了
        tf.global_variables_initializer().run()
        # 准备验证数据。这个一般都是用来大致判断停止的条件。
        validata_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
        # 准备测试数据
        test_feed = {x: mnist.test.images, y_: mnist.test.labels}

        # 迭代的训练神经网络
        for i in range(TRAINING_STEPS):
            # 每1000轮输出一次在验证集上的测试效果
            if i % 100 == 0:
                validata_acc = sess.run(accuracy, feed_dict=validata_feed)
                validata_acc_ = sess.run(accuracy_, feed_dict=validata_feed)
                print("%d training steps , validata_acc ,using average model is %g" % (i, validata_acc))
                print("%d training steps , validata_acc ,using average model is %g" % (i, validata_acc_))
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op, feed_dict={x: xs, y_: ys})
        # 训练结束后，测试最终正确率
        test_acc = sess.run(accuracy,feed_dict=test_feed)
        test_acc_ = sess.run(accuracy_, feed_dict=test_feed)
        print("last acc %d",test_acc)
        print("last acc not use %d", test_acc_)
def main(argv=None):
    mnist = input_data.read_data_sets("path/",one_hot=True)
    train(mnist)

if __name__=='__main__':
    tf.app.run()