Tensorflow入门系列（四）--tutorials/image/mnist程序详解

最新推荐文章于 2019-04-20 21:16:16 发布

飞鱼大魔王

最新推荐文章于 2019-04-20 21:16:16 发布

阅读量478

点赞数

分类专栏： Tensorflow

本文链接：https://blog.csdn.net/weixin_39142651/article/details/80807189

版权

Tensorflow 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本文深入解析Tensorflow官方教程中的image/mnist程序，讲解了如何定义5X5卷积核，理解tf.truncated_normal函数的工作原理，以及学习率的指数衰减策略tf.train.exponential_decay的应用。

摘要由CSDN通过智能技术生成

mnist官方程序详解

在之前的文章中，我们在github上clone了TensorFlow/model这一个项目，这一次让我们一起来看一下其下tutorials/image/mnist的程序。

首先，让我们从程序的起始点开始看起。

parser = argparse.ArgumentParser()
parser.add_argument(
      '--use_fp16',
      default=False,
      help='Use half floats instead of full floats if True.',
      action='store_true')
parser.add_argument(
      '--self_test',
      default=False,
      action='store_true',
      help='True if running a self test.')
FLAGS, unparsed = parser.parse_known_args()

这段代码定义了两个有用的参数，–use_fp16确定了程序的精度，–self_test确定了程序采用的是mnist数据集还是自己创造一个数据集。

接着往下看，我挑一些比较有意思的讲一下。

conv1_weights = tf.Variable(
      tf.truncated_normal([5, 5, NUM_CHANNELS, 32],  # 5x5 filter, depth 32.
                          stddev=0.1,
                          seed=SEED, dtype=data_type()))

此处构造了一个5X5的卷积核。主要是tf.truncated_normal这个函数比较有意思。
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)该函数从截断的正态分布中输出随机值。生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。
shape :一个1-D的张量或者Python数组
mean :正态分布的平均值，一个0-D的张量
stddev:正态分布的标准差，一个0-D的张量
seed:当设置之后，每次生成的随机数都一样。具有相同seed的张量会是同一个随机序列

例如：

test1=tf.truncated_normal([2,2],stddev=0.1,seed=100)
test2=tf.truncated_normal([3,3],stddev=0.1,seed=100)

with tf.Session() as sess:
    print(sess.run(test1))
    print(sess.run(test2))

输出：

[[ 0.008767   -0.02651714]
 [-0.09953298  0.05877223]]
[[ 0.008767   -0.02651714 -0.09953298]
 [ 0.05877223  0.05854641  0.0307966 ]
 [-0.05736888  0.14909105  0.14343873]]

接下来，我们可以看到一个正则项：

# L2 regularization for the fully connected parameters.
  regularizers = (tf.nn.l2_loss(fc1_weights) + tf.nn.l2_loss(fc1_biases) +
                  tf.nn.l2_loss(fc2_weights) + tf.nn.l2_loss(fc2_biases))
  # Add the regularization term to the loss.
  loss += 5e-4 * regularizers

它将全连接层的参数进行L2正则，并采用5e-4作为正则因子，加入到损失函数中。

接下来，是学习率的变化：

learning_rate = tf.train.exponential_decay(
      0.01,                # Base learning rate.
      batch * BATCH_SIZE,  # Current index into the dataset.
      train_size,          # Decay step.
      0.95,                # Decay rate.
      staircase=True)

可以看到，学习率这边采用了tf.train.exponential_decay这个函数。

exponential_decay(learning_rate, global_step, decay_steps, decay_rate,staircase=False, name=None)

指数型 lr衰减法是最常用的衰减方法，在大量模型中都广泛使用。
learning_rate传入初始 lr值，global_step用于逐步计算衰减指数，decay_steps用于决定衰减周期，decay_rate是每次衰减的倍率，staircase若为 False则是标准的指数型衰减，True时则是阶梯式的衰减方法，目的是为了在一段时间内（往往是相同的 epoch内）保持相同的 learning rate。

for step in xrange(int(num_epochs * train_size) // BATCH_SIZE):
      # Compute the offset of the current minibatch in the data.
      # Note that we could use better randomization across epochs.
      offset = (step * BATCH_SIZE) % (train_size - BATCH_SIZE)
      batch_data = train_data[offset:(offset + BATCH_SIZE), ...]
      batch_labels = train_labels[offset:(offset + BATCH_SIZE)]
      ...

这一段代码和本系列中（二）的batch_xs,batch_ys=mnist.train.next_batch(100)这个效果是一样的