【TensorFlow/简单网络】MNIST数据集-softmax、全连接神经网络,卷积神经网络模型
初学tensorflow,参考了以下几篇博客:
tensorflow构建CNN[待学习]
BN层[待学习]
先解释以下MNIST数据集,训练数据集有55,000 条,即X为55,000 * 784的矩阵,那么Y为55,000 * 10的矩阵,每个图片是28像素*28像素,带有标签,Y为该图片的真实数字,即标签,每个图片10个数字,1所在位置代表图片类别。
Softmax模型
准确率92.3,读入时候将图片拉成一个向量。使用Adam梯度下降求答案。
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
#训练数据集有55,000 条,即X为55,000 * 784的矩阵,那么Y为55,000 * 10的矩阵
#读数据,one_hot表示将矩阵处理为行向量,即28*28 => 1*784
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
learning_rate = 0.01
batch_size = 128
n_epochs = 1000
x = tf.placeholder(tf.float32, [None, 784]) #因为训练时跟测试时样本数量不一样,所以直接None
#只是一个softmax分类器,初始化0就好了,默认训练variable.trainable=True的参数
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
#softmax 输出一个10*1的矩阵,代表每个值的概率分布
y_hat = tf.nn.softmax(tf.matmul(x, W) + b)
y = tf.placeholder(tf.float32, [None, 10])
#交叉熵损失函数
loss = tf.reduce_mean(-tf.reduce_sum(y * tf.log(y_hat)))
#也可以调用内置函数
#entropy = tf.nn.softmax_cross_entropy_with_logits(logits, Y) #第一个是测试输出的函数,第二个是样本类别真实值
#loss = tf.reduce_mean(entropy) # computes the mean over examples in the batch
#学习率为0.01 使用Adam梯度下降
train = tf.train.AdamOptimizer(learning_rate).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_hat, 1)) # 测试样本只有一个1,看这个1的位置和预测的概率最大值是否一样
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 通过cast将布尔类型转化成float类型,每个值要么0要么1,求他的均值就是准确率
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(n_epochs):
batch_x, batch_y = mnist.train.next_batch(batch_size) #获取批量样本
sess.run(train, feed_dict={x: batch_x, y: batch_y}) #运行计算图
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))
全连接神经网络模型
2层隐藏层,激活函数为relu函数,分类函数为softmax函数,学习率采用指数下降法,基本初始学习率0.01,如果太大会只有9.8%的准确率,学习率衰减速度如果太快也会准确率下降(过拟合),dropout正则化不是很管用,会让准确率下降,只有keep_prob = 0.99才勉强准确率高点。如果一个隐藏层,准确率为93.45%,无论是学习率大了,过度正则化都会导致9.8%。学习率太低则90左右的准确率
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
# 训练数据集有55,000 条,即X为55,000 * 784的矩阵,那么Y为55,000 * 10的矩阵
# 读数据,one_hot表示将矩阵处理为行向量,即28*28 => 1*784
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
base_learning_rate = 0.01
batch_size = 128
n_epochs = 1000
keep_prob = 1
decay_steps = 2
decay_rate = 0.99
def add_layer(inputs, input_size, output_size, activation_function=None):
W = tf.Variable(tf.random_normal([input_size, output_size]) * np.sqrt(1/input_size))
b = tf.Variable(tf.zeros([1, output_size]) + 0.1)
y_hat = tf.matmul(inputs, W) + b
y_hat = tf.nn.dropout(y_hat, keep_prob=keep_prob) #dropout 自动除以了keep_prob
if activation_function is None:
outputs = y_hats
else:
outputs = activation_function(y_hat)
return outputs
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
layer1 = add_layer(x, 784, 100, activation_function=tf.nn.relu)
layer2 = add_layer(layer1, 100, 10, activation_function=tf.nn.relu)
y_hat = add_layer(layer2, 10, 10, tf.nn.softmax)
#定义存储训练轮数的变量,这个变量不需要被训练
global_step = tf.Variable(0, trainable=False)
learning_rate = tf.train.exponential_decay(base_learning_rate, global_step, decay_steps, decay_rate)
#base_learning_rate为基础学习率,global_step为当前迭代的次数
#decay_steps为几步一下降
#decay_rate为学习率衰减速度
loss = tf.reduce_mean(-tf.reduce_sum(y*tf.log(y_hat)))
train = tf.train.AdamOptimizer(learning_rate).minimize(loss, global_step=global_step) #会自增
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_hat, 1)) # 测试样本只有一个1,看这个1的位置和预测的概率最大值是否一样
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 通过cast将布尔类型转化成float类型,每个值要么0要么1,求他的均值就是准确率
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(n_epochs):
batch_x, batch_y = mnist.train.next_batch(batch_size)
sess.run(train, feed_dict={x: batch_x, y: batch_y})
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))
卷积网络模型(LENET)
思路
使用一个简单的CNN网络结构如下,括号里边表示tensor经过本层后的输出shape:
- 输入层(28 * 28 * 1)
- 卷积层1(28 * 28 * 32)
- pooling层1(14 * 14 * 32)
- 卷积层2(14 * 14 * 64)
- pooling层2(7 * 7 * 64)
- 全连接层(1 * 1024)
- softmax层(10)
主要的函数说明:
卷积层:
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
参数说明:
data_format:表示输入的格式,有两种分别为:“NHWC”和“NCHW”,默认为“NHWC”
input:输入是一个4维格式的(图像)数据,数据的 shape 由 data_format 决定:当 data_format 为“NHWC”输入数据的shape表示为[batch, in_height, in_width, in_channels],分别表示训练时一个batch的图片数量、图片高度、 图片宽度、 图像通道数。当 data_format 为“NHWC”输入数据的shape表示为[batch, in_channels, in_height, in_width]
filter:卷积核是一个4维格式的数据:shape表示为:[height,width,in_channels, out_channels],分别表示卷积核的高、宽、深度(与输入的in_channels应相同)、输出 feature map的个数(即卷积核的个数)。
strides:表示步长:一个长度为4的一维列表,每个元素跟data_format互相对应,表示在data_format每一维上的移动步长。当输入的默认格式为:“NHWC”,则 strides = [batch , in_height , in_width, in_channels]。其中 batch 和 in_channels 要求一定为1,即只能在一个样本的一个通道上的特征图上进行移动,in_height , in_width表示卷积核在特征图的高度和宽度上移动的布长,即 和 。
padding:表示填充方式:“SAME”表示采用填充的方式,简单地理解为以0填充边缘,当stride为1时,输入和输出的维度相同;“VALID”表示采用不填充的方式,多余地进行丢弃。具体公式:
“SAME”:
“VALID”:
池化层:
tf.nn.max_pool( value, ksize,strides,padding,data_format=’NHWC’,name=None)
或者
tf.nn.avg_pool(…)
参数说明:
value:表示池化的输入:一个4维格式的数据,数据的 shape 由 data_format 决定,默认情况下shape 为[batch, height, width, channels]
其他参数与 tf.nn.cov2d 类型
ksize:表示池化窗口的大小:一个长度为4的一维列表,一般为[1, height, width, 1],因不想在batch和channels上做池化,则将其值设为1。
Batch Nomalization层:
batch_normalization( x,mean,variance,offset,scale, variance_epsilon,name=None)
mean 和 variance 通过 tf.nn.moments 来进行计算:
batch_mean, batch_var = tf.nn.moments(x, axes = [0, 1, 2], keep_dims=True),注意axes的输入。对于以feature map 为维度的全局归一化,若feature map 的shape 为[batch, height, width, depth],则将axes赋值为[0, 1, 2]x 为输入的feature map 四维数据,offset、scale为一维Tensor数据,shape 等于 feature map 的深度depth。
注意,计算准确率的时候,一定让keep_prob等于1
import tensorflow as tf
import numpy as np
#导入input_data用于自动下载和安装MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#创建两个占位符,x为输入网络的图像,y_为输入网络的图像类别
x = tf.placeholder("float", shape=[None, 784])
y = tf.placeholder("float", shape=[None, 10])
#权重初始化函数
def weight_variable(shape):
#输出服从截尾正态分布的随机值
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#偏置初始化函数
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
#创建卷积op
#x 是一个4维张量,shape为[batch,height,width,channels]
#卷积核移动步长为1。填充类型为SAME,可以不丢弃任何像素点
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding="SAME")
#创建池化op
#采用最大池化,也就是取窗口中的最大值作为结果
#x 是一个4维张量,shape为[batch,height,width,channels]
#ksize表示pool窗口大小为2x2,也就是高2,宽2
#strides,表示在height和width维度上的步长都为2
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1],
strides=[1,2,2,1], padding="SAME")
#第1层,卷积层
#初始化W为[5,5,1,32]的张量,表示卷积核大小为5*5,第一层网络的输入和输出神经元个数分别为1和32
W_conv1 = weight_variable([5,5,1,32])
#初始化b为[32],即输出大小
b_conv1 = bias_variable([32])
#把输入x(二维张量,shape为[batch, 784])变成4d的x_image,x_image的shape应该是[batch,28,28,1]
#-1表示自动推测这个维度的size
x_image = tf.reshape(x, [-1,28,28,1])
#把x_image和权重进行卷积,加上偏置项,然后应用ReLU激活函数,最后进行max_pooling
#h_pool1的输出即为第一层网络输出,shape为[batch,14,14,1]
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
#第2层,卷积层
#卷积核大小依然是5*5,这层的输入和输出神经元个数为32和64
W_conv2 = weight_variable([5,5,32,64])
b_conv2 = weight_variable([64])
#h_pool2即为第二层网络输出,shape为[batch,7,7,1]
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
#第3层, 全连接层
#这层是拥有1024个神经元的全连接层
#W的第1维size为7*7*64,7*7是h_pool2输出的size,64是第2层输出神经元个数
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
#计算前需要把第2层的输出reshape成[batch, 7*7*64]的张量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
#Dropout层
#为了减少过拟合,在输出层前加入dropout
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#输出层
#最后,添加一个softmax层
#可以理解为另一个全连接层,只不过输出时使用softmax将网络输出值转换成了概率
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
#预测值和真实值之间的交叉墒
cross_entropy = -tf.reduce_sum(y * tf.log(y_conv))
#train op, 使用ADAM优化器来做梯度下降。学习率为0.0001
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#评估模型,tf.argmax能给出某个tensor对象在某一维上数据最大值的索引。
#因为标签是由0,1组成了one-hot vector,返回的索引就是数值为1的位置
correct_predict = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y, 1))
#计算正确预测项的比例,因为tf.equal返回的是布尔值,
#使用tf.cast把布尔值转换成浮点数,然后用tf.reduce_mean求平均值
accuracy = tf.reduce_mean(tf.cast(correct_predict, "float"))
with tf.Session() as sess:
# 初始化变量
sess.run(tf.global_variables_initializer())
# 开始训练模型,循环20000次,每次随机从训练集中抓取50幅图像
for i in range(1000):
batch = mnist.train.next_batch(50)
if i % 100 == 0:
# 每100次输出一次日志
train_accuracy = accuracy.eval(feed_dict={
x: batch[0], y: batch[1], keep_prob: 1.0}) #计算准确率时候一定让keep_prob等于1
print("step %d, training accuracy %g" % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y: batch[1], keep_prob: 0.5})
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))