1. 内容提要
本文给出一个完整的TensorFlow训练的神经网络模型程序来解决MNIST问题。并引入TensorFlow模型持久化机制,而且,将整个模型分为训练和测试部分,实现模块化。
此外,此神经网络运用了多种优化机制:正则化、衰减学习率、滑动平均。
涉及到知识点:
- 正则化
- 衰减学习率
- 滑动平均
- TensorFlow神经网络模型持久化
- 前向传播
- 梯度下降(反向传播)
整个代码分为3个程序:
- mnist_inference.py:定义了前向传播过程以及网络参数
- mnist_train.py : 定义了神经网络的训练过程
- mnist_eval.py : 定义了测试过程
下面分别介绍三个程序:
2. mnist_inference.py前向传播
import tensorflow as tf
# 定义相关参数
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYEER1_NODE = 500
# 通过tf.get_variable函数来获取变量
def get_weight_variable(shape,regularizer):
weights = tf.get_variable(
"weights",shape,
initializer=tf.truncated_normal_initializer(stddev=0.1)
)
if regularizer!=None:
# 当加入正则化时,将当前变量的正则化损失加入名字为losses的集合。
# 这里使用了add_to_collection函数将一个张量加入一个集合,
# 这个集合的名称为Losses,这是自定义的集合,不在TensorFlow自动管理的集合列表中
tf.add_to_collection("losses",regularizer(weights))
return weights
# 定义前向传播过程
def inference(input_tensor,regularizer):
with tf.variable_scope('layer1'):
weights = get_weight_variable(
[INPUT_NODE,LAYEER1_NODE],regularizer
)
biases = tf.get_variable(
"biases",[LAYEER1_NODE],
initializer=tf.constant_initializer(0.0)
)
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2'):
weights = get_weight_variable(
[LAYEER1_NODE,OUTPUT_NODE],regularizer
)
biases = tf.get_variable(
"biases",[OUTPUT_NODE],
initializer=tf.constant_initializer(0.0)
)
layer2 = tf.matmul(layer1, weights) + biases
return layer2
前向传播,定义了两层神经网络,很简单。
3. mnist_train.py训练过程
import os
import tensorflow as tf
# 加载定义好的前向传播模块
import mnist_inference
# 加载数据集
from tensorflow.examples.tutorials.mnist import input_data
# 配置网络参数
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.001
TRAINING_STEPS = 20000
MOVING_AVERAGE_DECAY = 0.99
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "E:/pycharm2016_3_2/pycharmWorkplace/tensorflow_test/model"
MODEL_NAME = 'model.ckpt'
def train(mnist):
x = tf.placeholder(
tf.float32,[None,mnist_inference.INPUT_NODE],name='x-input'
)
y_ = tf.placeholder(
tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input'
)
# 正则化
regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
# 直接使用前向传播算法
y = mnist_inference.inference(x,regularizer)
# 记录迭代的步数
global_step = tf.Variable(0,trainable=False)
# 滑动平均操作
variable_averages = tf.train.ExponentialMovingAverage(
MOVING_AVERAGE_DECAY,global_step
)
variable_averages_op = variable_averages.apply(tf.trainable_variables())
# 损失
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_,1),logits=y)
# 平均损失
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# 加上正则化的损失(见前向传播tf.add_to_collection("losses",regularizer(weights)))-->最终损失
loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
# 学习率的变化
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE,
global_step,
mnist.train.num_examples/BATCH_SIZE,
LEARNING_RATE_DECAY
)
# 训练,梯度下降
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
with tf.control_dependencies([train_step,variable_averages_op]):
train_op = tf.no_op(name='train')
# 初始化tensorflow持久化类
saver = tf.train.Saver()
with tf.Session() as sess:
# 初始化话参数
tf.global_variables_initializer().run()
# 训练
for i in range(TRAINING_STEPS):
# 加载一个批次数据
xs,ys = mnist.train.next_batch(BATCH_SIZE)
# run
_,loss_value,step = sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys})
# 每隔1000步统计一下损失率
if i% 1000 == 0:
# %g 浮点数字(根据值的大小采用%e或%f),%e科学计数法,%f浮点数
print('after %d training steps, loss on training batch is %g.' % (step,loss_value))
# 每隔1000步保存一次模型
saver.save(
sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step
)
def main(argv=None):
# 这个路径../mnist/data可以随便写,没有数据的话它会自动下载
mnist = input_data.read_data_sets('../mnist/data',one_hot=True)
train(mnist)
if __name__ == '__main__':
tf.app.run()
注意点:
windows下,保存模型的路径必须是绝对路径,否则报错。亲测是酱紫。保存后的模型如下:
这里是每隔1000步保存一次,tensorflow默认设置是最多保存5个,如果到第6个,则把第一个删了。因此,最终只会保留最后5个最新的模型数据。- 对于
tf.add_n(tf.get_collection('losses'))
,就是把保存到集合中的losses加起来而已。tf.add_n()的用法参考这篇文章 - 这段代码:
- 对于
with tf.control_dependencies([train_step,variable_averages_op]):
train_op = tf.no_op(name='train')
就是将训练和滑动平均两个操作依赖到一起而已。具体参考这篇文章
4. mnist_eval.py测试过程
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加载mnist_inference.py和mnist_train.py中定义的常量和函数
import mnist_inference
import mnist_train
# 每10秒加载一次模型
EVAL_INTERVAL_SECS = 10
def evaluate(mnist):
with tf.Graph().as_default() as g:
# 定义输入输出
x = tf.placeholder(tf.float32,[None,mnist_inference.INPUT_NODE],name='x-input')
y_= tf.placeholder(tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input')
# 真正的测试数据
validate_feed = {
x:mnist.validation.images,
y_:mnist.validation.labels
}
# 前向传播,得到预测值[?,10]
y = mnist_inference.inference(x,None)
# 预测值,取前15个为例
predict = tf.argmax(y,1)[0:15]
# 真实值
real = tf.argmax(y_,1)[0:15]
# 正确率
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
# tf.reduce_mean求平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
# 加载滑动平均操作
variables_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY)
variables_to_restore = variables_averages.variables_to_restore()
saver = tf.train.Saver(variables_to_restore)# 得到持久化类
while True:
with tf.Session() as sess:
# tf.train.get_checkpoint_state函数会通过checkpoint文件自动
# 找到目录中最新模型的文件名
ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
if ckpt and ckpt.model_checkpoint_path:
# 加载模型
saver.restore(sess,ckpt.model_checkpoint_path)
# 通过文件名得到保存时迭代的轮数
print(ckpt.model_checkpoint_path)# 打印一下文件名
# 字符串操作,截取到步数
global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
# 计算准确率
accuracy_score = sess.run(accuracy,feed_dict=validate_feed)
print('after %s training step(s), validation accuracy = %g '%(global_step,accuracy_score))
# 计算预测值,取前15个值作为示范
prediction = sess.run(predict, feed_dict=validate_feed)
# 真实值,与预测值对照
real_value = sess.run(real,feed_dict=validate_feed)
print('after %s training step(s), validation prediction is '%(global_step),prediction,' real value is',real_value)
else:
print('no checkpoint file found')
return
time.sleep(EVAL_INTERVAL_SECS)
def main(argv=None):
# 这个路径../mnist/data可以随便写,没有数据的话它会自动下载
mnist = input_data.read_data_sets('../mnist/data',one_hot=True)
evaluate(mnist)
if __name__ == '__main__':
tf.app.run()
运行结果:
由结果可见,每次加载的模型都是最新的模型,也就是第训练了19001步得到的模型。因为我这个程序是训练文件执行完后才执行的测试文件,所以它每次都加载最后一次保存的模型了。
实际上,这个程序应该是训练和测试同时运行的。这样就可以看出每隔10秒种,测试的不同结果了。
参考文章
https://blog.csdn.net/PKU_Jade/article/details/73498753
https://blog.csdn.net/uestc_c2_403/article/details/72808839
《Tensorflow+实战Google深度学习框架》