win10使用tensorflow神经网络训练MNIST数据集详解

介绍

此神经网络中，使用了3层网络，一个输入层，一个隐藏层和一个输出层。使用了带指数衰减的学习率设置，正则化参数来避免过度拟合以及使用了滑动平均模型来使得模型更加robust。tensorflow中的函数定义比较复杂难懂，因此在这里附上使用tensorflow神经网络训练MNIST数据集的程序，以及各个函数的解释

程序

以下程序在anaconda python3.5的环境下可以直接运行

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
INPUT_NODE = 784     # 输入节点
OUTPUT_NODE = 10     # 输出节点
LAYER1_NODE = 500    # 隐藏层数       
                              
BATCH_SIZE = 100     # 每次batch打包的样本个数        

# 模型相关的参数
LEARNING_RATE_BASE = 0.8      #基础学习率
LEARNING_RATE_DECAY = 0.99    #衰减学习率
REGULARAZTION_RATE = 0.0001   #正则化系数
TRAINING_STEPS = 5000        #迭代次数
MOVING_AVERAGE_DECAY = 0.99  #滑动平均系数

def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
    # 不使用滑动平均类
    if avg_class == None:
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
        return tf.matmul(layer1, weights2) + biases2

    else:
        # 使用滑动平均类
        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')
    # Tensorflow提供了placeholder机制用于提供输入数据。placeholder相当于定义了
    # 一个位置，这个位置中的数据在程序运行时再指定
    # 生成隐藏层的参数。
    weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
    # tf.truncated_normal是正态分布，但如果随机出来的值偏离平均值超过2个标准差，
    # 那么这个数将会被重新随机
    biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
    # tf.variable的作用是保存和更新神经网络中的参数，即变量指定初始值
    # 变量在运行前需要通过sess.run(a.initializer)进行初始化才能使用
    # 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())
    # tf.trainable_variables返回所有需要训练的参数，也就是所有没有指定
    # trainable=false的参数
    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))
    # softmax回归之后的交叉熵损失函数，tf.argmax(y_,1)计算了每一个样例的预测答案
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    # tf.reduce_mean的作用是对整个矩阵做平均
    
    # 损失函数的计算
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    regularaztion = regularizer(weights1) + regularizer(weights2)
    # l2正则化
    loss = cross_entropy_mean + regularaztion
    
    # 设置指数衰减的学习率。
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,#基础学习率，更新在此基础上递减
        global_step,#当前迭代轮数
        mnist.train.num_examples / BATCH_SIZE,#过完所有训练数据需要的迭代次数
        LEARNING_RATE_DECAY,#学习率衰减速度
        staircase=True)#阶梯下降，每训练上述迭代次数后，基础学习率乘以衰减速度
    
    # 优化损失函数
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
    # 在minimize中传入global_step将自动更新global_step参数，从而使得学习率也得到相应更新
    
    # 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')

    # 计算正确率
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    # tf.equal判断两个张量的每一维是否相等，相等返回True，否则返回False
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    # 这个运算首先将布尔型的数值转换为实数型，然后计算平均值，这个平均值是这
    # 模型在这组数据上的正确率
    # 初始化会话，并开始训练过程。
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        # 上述过程为将全部变量初始化过程也可以使用
        # init_op = tf.global_variables_initializer()
        # sess.run(init_op)
        validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
        # 准备验证数据，通过验证数据来大致判断停止的条件和评判训练的效果
        test_feed = {x: mnist.test.images, y_: mnist.test.labels} 
        # 准备测试数据，作为模型优劣的最后评价标准
        # 循环的训练神经网络。
        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})
            # feed_dict指定x，y的值，是一个字典（map），在字典中
            # 给出每个用到的placeholder的取值

        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)))

def main(argv=None):
    mnist = input_data.read_data_sets("D:/python37/program_file/path/to/MNIST_data", one_hot=True)
    train(mnist)

if __name__=='__main__':
    main()