MNIST数字识别——双隐层全连接神经网络

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()