单隐层的全连接神经网络识别MNIST手写数字
神经网络模型如图所示:
(发现一个画图软件Graphviz 但好像渲染效果一般)
代码如下:
#结构化代码 把2中的双隐层全连接神经网络放入函数中
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# MNIST 数据集相关的常数
# 输入层的几点疏对于MNIST来说就是是图片展平之后的像素数量
INPUT_NODE = 784
# 输出层的节点数量 等分类类别的数量 需要进行区分的是10个数字 所以输出节点数目是10
OUTPUT_NODE = 10
# 配置神经网络的参数
# 隐藏层的结点数 建立的模型只有一个隐藏层结构
LAYER1_NODE = 500 # 这个隐藏层有500个节点
# 一个训练的batch中训练数据个数 数字越小 训练过程越接近随机梯度下降(SGD)
# 数字越大,训练越接近梯度下降
BATCH_SIZE = 100
# 基础的学习率
LEARNING_RATE_BASE = 0.8
# 学习率的衰减率
LEARNING_RATE_DECAY = 0.99
# 正则化项在损失函数中的系数
REGULARIZATION_RATE = 0.0001
# 训练的轮数
TRAINING_STEPS = 30000
# 滑动平均衰减率
MOVING_AVERAGE_DECAY = 0.99
# 使用的激活函数是 ReLU 激活函数
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
# 如果没有提供滑动平均类 直接使用当前的参数取值
if avg_class is None:
# 计算隐藏层的前向传播结果 使用ReLU哈数进行激活
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
return tf.matmul(layer1, weights2) + biases2
else:
# 首先使用avg_class.average 计算变量的滑动平均值
# 然后计算相应的神经网络的前向传播结果
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)
# 定义模型的训练过程
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')
# 生成 隐藏层的参数
weights1 = tf.Variable(
tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1)
)
biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
# 生成 输出层参数
weights2 = tf.Variable(
tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1)
)
biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
# 计算当前参数下神经网络前向传播的结果 指定计算滑动平均的类为 None
# 也就是函数不会使用参数的滑动平均值
y = inference(x, None, weights1, biases1, weights2, biases2)
# 定义存储训练额轮数的变量 此处的这个变量不需要计算滑动平均值
# 所以设定为 不可训练 (trainable = False)
global_step = tf.Variable(0, trainable=False)
# 初始化 滑动平均类
variable_averages = tf.train.ExponentialMovingAverage(
MOVING_AVERAGE_DECAY, global_step
)
# 计算所有可训练的变量的滑动平均
# tf.trainable_variables() 是所有的 可以训练的变量(参数)
variable_averages_op = variable_averages.apply(tf.trainable_variables())
# 计算使用了滑动平均之后的前向传播结果 指定了 variable_average
average_y = inference(
x, variable_averages, weights1, biases1, weights2, biases2
)
# 使用的损失函数是交叉熵 这里的交叉熵与之前的调用不太一样
# 简单来说 就是将softmax回归 与 交叉熵 合并在一起 目的是为了加速计算 后面会具体介绍
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=y, labels=tf.argmax(y_, 1)
)
# 计算所有batch中所有样例的交叉熵平均值
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# 为损失函数添加 l2 正则化项
regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
# 注意一般只会计算权重的正则化损失 不加入偏置
regularization = regularizer(weights1) + regularizer(weights2)
# 完整的损失函数
loss = cross_entropy_mean + regularization
# 指定指数衰减的学习率
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE, # 基础的学习率
global_step, # 指定迭代的轮数
mnist.train.num_examples / BATCH_SIZE, # 过完所有的训练数据需要的迭代轮数
LEARNING_RATE_DECAY # 学习率衰减速度
)
# 使用梯度下降法来优化
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
# 在训练模型的过程中 需要反向传播来更新参数 也需要更新参数的滑动平均值
# 使用这种方式可以同时运行这两个操作
train_op = tf.group(train_step, variable_averages_op)
# 检验使用了滑动平均模型的神经网络前向传播结果是否正确 #
# average_y是模型的输出结果 y_ 是输入正确的标签集合
corrext_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
# 这个与之前的程序一样 都是计算一组数据上的准确率
accuracy = tf.reduce_mean(tf.cast(corrext_prediction, tf.float32))
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
# 准备训练数据集 和 测试数据集
validate_feed = {x: mnist.validation.images,
y_: mnist.validation.labels}
test_feed = {x: mnist.test.images,
y_: mnist.test.labels}
for i in range(TRAINING_STEPS):
if i % 1000 == 0: # 1000轮输出一次结果
validate_acc = sess.run(accuracy, feed_dict=validate_feed)
print("After %d training steps, 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})
test_acc = sess.run(accuracy, feed_dict=test_feed)
print("After %d training step, test accuracy using average model is %g" % (TRAINING_STEPS, test_acc))
# 主程序入口
def main(argv=None):
mnist = input_data.read_data_sets("location", one_hot=True)
train(mnist)
# TensorFlow 定义的主程序入口 tf.app.run() 方法会调用main函数
if __name__ == '__main__':
tf.app.run()