前言:mnis数字识别问题以及其中碰到的问题
第一步:源码
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.python.saved_model.model_utils.mode_keys import is_train
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2'
tf.app.flags.DEFINE_integer("is_train", 2, "指定模型是训练还是预测")
FLAGS = tf.app.flags.FLAGS
def full_connected():
# 获取真实的数据,one_hot 独热编码
# 也叫一位有效编码。在任意时候只有一位为1,其他位都是0
mnist = input_data.read_data_sets("./data", one_hot=True)
# 1.建立数据的占位符 x [None, 784] y_true [None, 10]
with tf.variable_scope("data"):
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.int32, [None, 10])
# 2.建立全连接层神经网络, w [784, 10] b[10]
with tf.variable_scope("fc_model"):
# 随机初始化权重和偏置
weight = tf.Variable(tf.random_normal([784, 10], mean=0, stddev=1.0, name="w"))
bias = tf.Variable(tf.constant(0.0, shape=[10]), name="b")
# 预测None个样本的输出结果matrix [None, 784]*[784, 10]+[10] = [None, 10]
y_predict = tf.matmul(x, weight) + bias
# 3.计算交叉熵损失,其中参数labels表示真实值,logits表示预测值
with tf.variable_scope("soft_cross"):
# 求平均交叉熵损失
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))
# 4.梯度下降求出损失
with tf.variable_scope("optimizer"):
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 5.计算准确率
with tf.variable_scope("accuracy"):
equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
# equal_list None个样本 [1, 1, 1, 0, ..............1]]
accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
# 收集变量,单个数字值收集
# loss = tf.reduce_mean(loss, name='loss'),最开始没有将loss从张量转化为标量,出现错误
tf.summary.scalar("losses", loss)
tf.summary.scalar("acc", accuracy)
# 高纬度变量收集
tf.summary.histogram("weights", weight)
tf.summary.histogram("biases", bias)
# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()
# 定义一个合并变量的op
merged = tf.summary.merge_all()
# 定义一个保存模型的实例op
saver = tf.train.Saver()
# 开启会话去训练
with tf.Session() as sess:
sess.run(init_op)
# 建立events文件,然后写入
fw = tf.summary.FileWriter("./tmp/summary/test", graph=sess.graph)
if FLAGS.is_train == 1:
# 迭代步数去训练,更新参数预测
for i in range(2000):
# 每一次给100个数据进行训练,取出真实存在的特征值和目标值
mnist_x, mnist_y = mnist.train.next_batch(50)
# 运行train_op训练
sess.run(train_op, feed_dict={x: mnist_x, y_true: mnist_y})
# 写入每步训练的值
summary = sess.run(merged, feed_dict={x: mnist_x, y_true: mnist_y})
# 添加到写入的文件当中
fw.add_summary(summary, i)
print("训练第%d步,准确率为:%f" % (i, sess.run(accuracy, feed_dict={x: mnist_x, y_true: mnist_y})))
# 保存模型
saver.save(sess, "./tmp/summary/smodl/fc_model")
else:
# if FLAGS.is_train == 2:
# 加载模型,因为前面我们保存了模型,故不再判断有没有模型
saver.restore(sess, "./tmp/summary/smodl/fc_model")
# 如果是0,进行预测,每次测试一张图片
for i in range(100):
x_test, y_test = mnist.test.next_batch(1)
print("第%d张图片,手写图片数字目标是:%d,预测结果是:%d" % (
i,
tf.argmax(y_test, 1).eval(),
tf.argmax(sess.run(y_predict, feed_dict={x: x_test, y_true: y_test}), 1).eval()
))
return None
if __name__ == "__main__":
full_connected()
第二部:做的过程中问题
1.在做的过程中tf.reduce_mean个代码没有加到去求loss的代码上,导致loss是张量无法转化为标量