TensorFlow框架3：简单的神经网络

1、神经网络的特点

1. 输入向量的维度和输入神经元的个数相同
2. 每个连接都有个权值
3. 同一层神经元之间没有连接
4. 由输入层，隐层，输出层组成
5. 第N层与第N-1层的所有神经元连接，也叫全连接
   

2、SoftMax回归

其中 i 为所求的那个输出值，j 可为所有的输出值。

1. 计算概率
2. 所有类别的概率值相加等于1
   

3、Mnist数据集神经网络（代码展示使用的数据集）

Mnist数据集神经网络实现流程

1、准备数据

2、全连接结果计算

3、损失优化

4、模型评估（计算准确性）

运用到的函数

• SoftMax计算、交叉熵损失计算
  tf.nn.softmax_cross_entropy_with_logits(labels=None, logits=None,name=None)
  计算logits和labels之间的交叉损失熵
  1、labels:标签值（真实值）
  2、logits：样本加权之后的值
  3、return:返回损失值列表
• 损失值列表平均值计算
  tf.reduce_mean(input_tensor)
  计算张量的尺寸的元素平均值
• 梯度下降优化
  tf.train.GradientDescentOptimizer(learning_rate)
  梯度下降优化
  1、learning_rate:学习率，一般为
  2、minimize(loss):最小化损失
  3、return:梯度下降op
• 准确性计算
  1、equal_list = tf.equal(tf.argmax(y, 1), tf.argmax(y_label, 1))
  2、accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))

4、代码解析

import tensorflow as tf
# 导入数据
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.slim.python.slim.nets.inception_v3 import inception_v3_base

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_integer("is_train", 1, "指定程序是预测还是训练")

def full_connected():

    # 获取真实的数据
    mnist = input_data.read_data_sets("./data/mnist/input_data/", one_hot=True)

	# 1、建立数据的占位符 x(特征值) [None, 784]    y_true(目标值) [None, 10]
    # tf.variable_scope表示取一个作用域，作用域的名字叫data
	with tf.variable_scope("data"): 
        x = tf.placeholder(tf.float32, [None, 784])

        y_true = tf.placeholder(tf.int32, [None, 10])

    # 2、建立一个全连接层的神经网络 w(权重) [784, 10]   b(偏置) [10]
    with tf.variable_scope("fc_model"):
        # 要在这里进行计算，得到预测结果
		# 随机初始化权重和偏置，参数要进行优化，必须要有Variable来定义
        weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w")

        bias = tf.Variable(tf.constant(0.0, shape=[10]))

        # 预测None个样本的输出结果matrix(矩阵相乘) [None, 784]* [784, 10] + [10] = [None, 10]
        y_predict = tf.matmul(x, weight) + bias

    # 3、求出所有样本的损失，然后求平均值
    with tf.variable_scope("soft_cross"):

        # 求平均交叉熵损失(这里是所有样本的，所以要用tf.reduce_mean来求一下平均值)
        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(optimizer：优化)
    with tf.variable_scope("optimizer"):

        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 5、计算准确率(用输出值和目标值去计算)
    with tf.variable_scope("acc"):

        equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))

        # equal_list  None个样本   [1, 0, 1, 0, 1, 1,..........]，对这个求平均值
        accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))

    # 收集变量 单个数字值收集
    tf.summary.scalar("losses", loss)
    tf.summary.scalar("acc", accuracy)

    # 高纬度变量收集
    tf.summary.histogram("weightes", weight)
    tf.summary.histogram("biases", bias)

	# 因为这里有变量(Variable)，所以要初始化变量。
    # 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de op
    merged = tf.summary.merge_all()

    # 创建一个saver
    saver = tf.train.Saver()

    # 开启会话去训练
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 建立events文件，然后写入
        filewriter = 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):

                # mnist中先获取训练的数据，取出真实存在的特征值(mnist_x)和目标值(mnist_y)
				# 用来在下面传给feed_dict中的x和y_true中
                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})

                filewriter.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/ckpt/fc_model")
        else:
            # 加载模型，将那些train中的weight和baise加载进来了
            saver.restore(sess, "./tmp/ckpt/fc_model")

            # 如果是0，做出预测
            for i in range(100):

                # 每次测试一张图片 [0,0,0,0,0,1,0,0,0,0]
                x_test, y_test = mnist.test.next_batch(1)

                print("第%d张图片，手写数字图片目标是:%d, 预测结果是:%d" % (
                    i,
					# 这里是test中目标值的结果 
                    tf.argmax(y_test, 1).eval(),
					# 这里是test中的预测结果
                    tf.argmax(sess.run(y_predict, feed_dict={x: x_test, y_true: y_test}), 1).eval()
                ))
    return None
if __name__ == "__main__":
    full_connected()

想要得到测试的结果：

打开cmd，输入 python 此代码保存的py文件名.py --is_train = 0，回车
部分结果展示：这里的图片数选择的是100张。