在Tensorflow学习(7)-通过MNIST数字识别问题学习(1)中,将计算神经网络前向传播结果的过程抽象成了一个函数。
即
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
在定义中可看到,这个函数的参数包括了神经网络中的所有参数。然而,当网络结构更复杂、参数更多时。就需要一个更好的方式来传递和管理神经网络中的参数了。
TensorFlow提供了通过变量名称来创建或者获取一个变量的机制,通过这个机制,可以在不同的函数中直接通过变量的名字来使用变量,而不需要将变量通过参数的形式来传递。
主要是通过tf.get_variable和tf.variable_scope来实现的。下面介绍如何使用这两个函数。
之前我们通过tf.Variable函数来创建一个变量。除了tf.Variable函数,TensorFlow还提供了tf.get_variable来创建或者获取变量,当tf.get_variable用来创建变量时,和tf.Variable是基本等价的
# 下面两个定义是等价的
v = tf.get_variable("v", shape=[1], initializer=tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(1.0, shape=[1]), name="v")
它们两个最大的区别就是tf.Variable函数中,变量名称(name)是一个可选的参数,但是tf.get_variable函数,变量命名成是一个必填的参数。tf.get_variable会根据这个名字创建或者获取变量。
获取
如果需要通过tf.get_variable获取一个已经创建的变量,需要通过tf.variable_scope函数来生成一个上下文管理器,并明确指明在这个上下文管理器中,tf.get_variable将直接获取以生成的变量
import tensorflow as tf
# 在名字为one的命名空间创建名字为v的变量
with tf.variable_scope("one"):
v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1.0))
# 如果在命名空间中已经存在名字为v的变量,代码就会报错
with tf.variable_scope("one"):
v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1.0))
# 在生成上下文管理器时,将参数reuse设为True。这样tf.get_variable函数将直接获取已经声明的变量
with tf.variable_scope("one",reuse=True):
v1 = tf.get_variable("v")
print(v==v1)
print(v==v1)
实现方式
tf.variable_scope函数生成的上下文管理器也会创建一个TensorFlow中的命名空间,在命名空间内创建的变量名称都会带上命名空间名作为前缀。
import tensorflow as tf
v1 = tf.get_variable("v", [1])
print(v1.name) # v:0
with tf.variable_scope("one"):
v2 = tf.get_variable("v", [1])
print(v2.name) # one/v:0
with tf.variable_scope("two"):
v3 = tf.get_variable("v", [1])
print(v3.name) # one/two/v:0
with tf.variable_scope("", reuse=True):
v4 = tf.get_variable("one/v", [1])
print(v4.name) # one/v:0
print(v4 == v2) # True
with tf.variable_scope("one", reuse=True):
v5 = tf.get_variable("two/v", [1])
print(v5.name) # one/two/v:0
print(v5 == v3) # True
通过所学对def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):进行改进
不必以参数的形式传入每层的变量
def inference(input_tensor, avg_class=None, reuse=False):
if(avg_class==None):
with tf.variable_scope('layer1', reuse=reuse):
weights = tf.get_variable("weights", [INPUT_NODE, LAYER1_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
biases = tf.get_variable("biases", [1, LAYER1_NODE], initializer=tf.constant_initializer(0.0))
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2', reuse=reuse):
weights = tf.get_variable("weights", [LAYER1_NODE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
biases = tf.get_variable("biases", [1, OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
layer2 = tf.matmul(layer1, weights) + biases
return layer2
else:
with tf.variable_scope('layer1', reuse=reuse):
weights = avg_class.average(tf.get_variable("weights", [INPUT_NODE, LAYER1_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1)))
biases = avg_class.average(
tf.get_variable("biases", [1, LAYER1_NODE], initializer=tf.constant_initializer(0.0)))
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2', reuse=reuse):
weights = avg_class.average(tf.get_variable("weights", [LAYER1_NODE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1)))
biases = avg_class.average(
tf.get_variable("biases", [1, OUTPUT_NODE], initializer=tf.constant_initializer(0.0)))
layer2 = tf.matmul(layer1, weights) + biases
return layer2
使用所学对Tensorflow学习(7)-通过MNIST数字识别问题学习(1)的代码进行了重写
其中inference_()和train_()是以前的版本。
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
def new(reuse=False):
with tf.variable_scope('layer1', reuse=reuse):
tf.get_variable("weights", [INPUT_NODE, LAYER1_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
tf.get_variable("biases", [1, LAYER1_NODE], initializer=tf.constant_initializer(0.0))
with tf.variable_scope('layer2', reuse=reuse):
tf.get_variable("weights", [LAYER1_NODE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
tf.get_variable("biases", [1, OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
def inference(input_tensor, avg_class=None, reuse=False):
if(avg_class==None):
with tf.variable_scope('layer1', reuse=reuse):
weights = tf.get_variable("weights", [INPUT_NODE, LAYER1_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
biases = tf.get_variable("biases", [1, LAYER1_NODE], initializer=tf.constant_initializer(0.0))
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2', reuse=reuse):
weights = tf.get_variable("weights", [LAYER1_NODE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
biases = tf.get_variable("biases", [1, OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
layer2 = tf.matmul(layer1, weights) + biases
return layer2
else:
with tf.variable_scope('layer1', reuse=reuse):
weights = avg_class.average(tf.get_variable("weights", [INPUT_NODE, LAYER1_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1)))
biases = avg_class.average(
tf.get_variable("biases", [1, LAYER1_NODE], initializer=tf.constant_initializer(0.0)))
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2', reuse=reuse):
weights = avg_class.average(tf.get_variable("weights", [LAYER1_NODE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1)))
biases = avg_class.average(
tf.get_variable("biases", [1, OUTPUT_NODE], initializer=tf.constant_initializer(0.0)))
layer2 = tf.matmul(layer1, weights) + biases
return layer2
def train(mnist):
x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
new()
y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
y = inference(x,None,True)
# 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())
print(tf.trainable_variables())
a_y = inference(x, variable_averages, True)
# 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
with tf.variable_scope("layer1", reuse=True):
weights1 = tf.get_variable("weights")
with tf.variable_scope("layer2", reuse=True):
weights2 = tf.get_variable("weights")
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(a_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)
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)
print("last acc not use %d", test_acc_)
# 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=[1, 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=[1, 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()
其他
tf.variable是可以嵌套的,tf.get_variable_scope().reuse可以获取当前上下文管理器中的reuse参数。
import tensorflow as tf
# 在名字为one的命名空间创建名字为v的变量
with tf.variable_scope("one"):
print(tf.get_variable_scope().reuse) #输出False
with tf.variable_scope("two",reuse=True):
print(tf.get_variable_scope().reuse) #输出True