TensorFlow训练mnist的简单总结

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

#mnist数据集相关的常数
INPUT_NODE=784                          #输入层的节点数，对于mnist这个等于图片的像素。
OUTPUT_NODE=10                          #输出层的节点数，这个等于类别的数目

#配置神经网路的参数

LAYER1_NODE=500                          #隐层节点数，这里使用只有一个隐层的网络结构作为样例
BATCH_SIZE=100                           #字数越小，训练过程越接近随机梯度下降；字数越大，越接近梯度下降

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系数
TRAINING_STEPS=30000                     #训练轮数

MOVING_AVERAGE_DECAY=0.99                #滑动平均衰减率

#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。在这里定义了一个使用Relu激活函数的三层全连接网络。
#在这个函数中也支持传入用于计算参数平均值的类，这样方便在测试时使用滑动平均衰减率模型

def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2):
    #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==None:
        #计算隐层的前向传播结果，这里使用了Relu激活函数。
        layer1=tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1)

        #计算输出层的前向传播结果。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。而且不加入softmax不会影响
        #预测结果。因为输出时使用的是不同类别对应节点输出值的相对大小，有没有softmax层对最后分类结果的计算，没有影响。于是在计算整个
        #神经网络的前向传播时可以不加入最有的softmax层。
        return tf.matmul(layer1,weights2)+biases2
    else:
        #首先使用avg_class.average计算得出变量的滑动平均值，然后再计算相应的神经网络前向传播结果
        layer1=tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weigh